面试题：Python正则表达式处理嵌套HTML标签

Question

假设有如下HTML代码：<div><p>外层段落 <span>内层文本</span></p></div>，请用Python的正则表达式提取出所有标签内的文本内容，包括嵌套的情况，要求结果为 ['外层段落 ', '内层文本']，并解释实现思路。

Answer 1

import re

html = '<div><p>外层段落 <span>内层文本</span></p></div>'
pattern = re.compile(r'<[^>]*>(.*?)</[^>]*>')
result = pattern.findall(html)
print(result)

实现思路

1. 导入re模块：Python的re模块提供了正则表达式操作的功能。
2. 定义正则表达式：r'<[^>]*>(.*?)</[^>]*>'。
   • <[^>]*>：匹配开始标签，[^>]*表示匹配除>以外的任意字符0次或多次，这样就匹配到了<div>、<p>、<span>这样的开始标签。
   • (.*?)：这是一个捕获组，.*?表示匹配除换行符以外的任意字符0次或多次，并且是非贪婪模式，即尽可能少地匹配，这样就可以捕获到开始标签和结束标签之间的文本。
   • </[^>]*>：匹配结束标签，</表示结束标签的开始，[^>]*匹配除>以外的任意字符0次或多次，这样就匹配到了</div>、</p>、</span>这样的结束标签。
3. 使用re.findall函数：re.findall函数会在字符串中查找所有符合正则表达式的内容，并以列表形式返回所有捕获组的内容，从而得到['外层段落 ', '内层文本']。