面试题：Python正则表达式高级之复杂文本结构分组处理

Question

假设有一段HTML代码如下：<div class='content'><p>这里是文本内容1</p><p>这里是文本内容2</p></div>，请使用Python正则表达式的高级分组技巧，提取出所有<p>标签内的文本内容，同时要考虑到可能存在嵌套的<div>标签，并且需要处理标签内可能有其他属性的情况。

Answer 1

import re

html = "<div class='content'><p>这里是文本内容1</p><p>这里是文本内容2</p></div>"
pattern = re.compile(r'<p.*?>(.*?)</p>', re.DOTALL)
results = pattern.findall(html)
for result in results:
    print(result)

解释：

1. re.compile(r'<p.*?>(.*?)</p>', re.DOTALL)：
   • <p.*?>：匹配<p标签开头，.*?表示非贪婪匹配任意字符，直到遇到下一个>。这样可以处理<p标签内可能存在的其他属性。
   • (.*?)：使用非贪婪模式捕获<p>和</p>标签之间的内容，这部分内容就是我们想要提取的文本。
   • </p>：匹配</p>标签结尾。
   • re.DOTALL：使.匹配包括换行符在内的所有字符，以处理可能存在的多行文本情况。
2. pattern.findall(html)：在给定的HTML字符串中查找所有符合正则表达式模式的内容，并以列表形式返回捕获组的内容，即<p>标签内的文本。
3. 最后通过循环打印出提取到的文本内容。