为何用Regex匹配含<br>的<span>元素时出现异常匹配？

这其实是正则非贪婪匹配的一个典型陷阱，我来给你一步步拆解原因：

先看你的原始场景 #

你的目标字符串是：

xx= '<div> <span>123</span> <span>456 <br> 789</span> </div>'

第一个正则能正常工作的原因 #

你用<span>.*?</span>时，.*?是非贪婪匹配，它会尽可能少地匹配字符，直到遇到第一个</span>就停止。因为每个<span>内部没有嵌套的<span>或</span>标签，所以它能精准拆分出两个独立的<span>元素。

第二个正则出问题的核心 #

当你换成<span>.*?<br>.*?</span>时，问题出在.*?的匹配规则上：
正则里的.默认会匹配除换行外的任意字符——包括HTML标签本身（比如</span>、<span>这些字符串都会被当成普通字符匹配）。

具体匹配过程是这样的：

1. 正则从第一个<span>开始匹配，第一个<span>内部没有<br>，所以.*?会一直往后“搜索”<br>；
2. 它会跳过第一个</span>、第二个<span>的起始标签，直到找到目标<br>；
3. 接着后面的.*?匹配到最近的</span>，最终就把从第一个<span>到最后一个</span>的整个片段都当成了一个匹配结果。

怎么修复这个正则？ #

你需要限制.*?不能跨<span>标签匹配，这里可以用负向预查来实现，修改后的正则如下：

re.findall(r'<span>(?:(?!</?span>).)*?<br>(?:(?!</?span>).)*?</span>', xx)

这里的(?:(?!</?span>).)是关键：它表示“当前位置后面不是<span>或</span>的任意单个字符”，这样就把匹配范围牢牢限制在单个<span>内部了，不会跨标签匹配。

额外小提醒 #

虽然你知道正则解析HTML不是规范做法，但还是建议试试BeautifulSoup——它对不规范HTML的容错性比lxml更强，用它来筛选包含<br>的<span>会比正则靠谱得多，代码也更易维护。

内容的提问来源于stack exchange，提问作者Alex