我需要匹配完整的HTML段落,其中包含三重大括号之间的文本。
这是我的输入 HTML:
<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p>
<p>Ut enim ad minim veniam.</p>
<p>Duis aute irure dolor}}}</p>
<p><em>Excepteur sint occaecat cupidatat non proident.</em></p>
<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p>
<p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>
<p>Ut enim ad minima veniam, quis nostrum exercitationem.</p>
应匹配以下片段:
<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p>
<p>Ut enim ad minim veniam.</p>
<p>Duis aute irure dolor}}}</p>
和
<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p>
<p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>
目前我正在尝试使用以下正则表达式:
<p>.*?{{{.*?}}}</p>/gms
显然,它无法正常工作。
下面是一个正则表达式 101 示例: https://regex101.com/r/9NSMy3/2
我知道使用正则表达式解析 HTML 不是最好的主意,因此任何其他解决方案也受到高度赞赏。
您可以使用
HTML 解析器查找所有p
元素,检查每个元素是否与 in
运算符匹配,并将匹配项存储在列表中。在这里,我正在检查以前是否见过一组带有begin
标志的左括号(以跟踪正在进行的比赛(。
from bs4 import BeautifulSoup
inputhtml = '''
<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p>
<p>Ut enim ad minim veniam.</p>
<p>Duis aute irure dolor}}}</p>
<p><em>Excepteur sint occaecat cupidatat non proident.</em></p>
<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p>
<p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>
<p>Ut enim ad minima veniam, quis nostrum exercitationem.</p>
'''
soup = BeautifulSoup(inputhtml,'html.parser')
fragments = []
begin = False
for p in soup.find_all('p'):
if '{{{' in p.text:
begin = True
fragments.append(str(p))
if '}}}' in p.text:
begin = False
if '}}}' in p.text and not '{{{' in p.text:
fragments[-1] += str(p)
elif begin and not '{{{' in p.text and not '}}}' in p.text:
fragments[-1] += str(p)
print(fragments)
输出:
['<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p><p>Ut enim ad minim veniam.</p><p>Duis aute irure dolor}}}</p>',
'<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p><p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>']