面试题：Python正则表达式处理复杂HTML标签及属性

提取所有a标签的href属性值：

import re

html = "<div class='main'><p id='para1'>段落文本 <a href='https://example1.com' target='_blank'>链接1</a></p><p id='para2'>另一段文本 <a href='https://example2.com' target='_self'>链接2</a></p></div>"
href_values = re.findall(r'<a\s+href="([^"]+)"', html)
print(href_values)

提取每个p标签内的文本及其中a标签的文本：

import re

html = "<div class='main'><p id='para1'>段落文本 <a href='https://example1.com' target='_blank'>链接1</a></p><p id='para2'>另一段文本 <a href='https://example2.com' target='_self'>链接2</a></p></div>"
p_pattern = r'<p.*?>(.*?)</p>'
p_contents = re.findall(p_pattern, html, re.DOTALL)
result = []
for p_content in p_contents:
    a_pattern = r'<a.*?>(.*?)</a>'
    a_texts = re.findall(a_pattern, p_content, re.DOTALL)
    other_text = re.sub(r'<.*?>', '', p_content).strip()
    sub_result = {
        'other_text': other_text,
        'a_texts': a_texts
    }
    result.append(sub_result)
print(result)

使用正则表达式处理HTML标签存在的问题及替代方案：
- 问题：
  - 嵌套标签处理困难：HTML标签是可以嵌套的，正则表达式很难准确处理复杂的嵌套结构。例如<div><p><a>链接</a></p></div>，正则表达式可能会匹配错误的标签对。
  - 标签属性处理不灵活：如果标签属性有多种形式，如<a href='https://example.com' target="_blank">和<a href=\"https://example.com\" target='_blank'>，正则表达式需要编写复杂的规则来匹配所有可能的情况。
  - 容错性差：HTML代码可能存在格式不规范的情况，如标签未闭合等，正则表达式很难应对这些不规范的代码，容易导致匹配错误或遗漏。
- 替代方案：
  - 使用HTML解析库：如BeautifulSoup（Python）或Jsoup（Java）等。以BeautifulSoup为例：

from bs4 import BeautifulSoup

html = "<div class='main'><p id='para1'>段落文本 <a href='https://example1.com' target='_blank'>链接1</a></p><p id='para2'>另一段文本 <a href='https://example2.com' target='_self'>链接2</a></p></div>"
soup = BeautifulSoup(html, 'html.parser')
href_values = [a['href'] for a in soup.find_all('a')]
p_texts = []
for p in soup.find_all('p'):
    a_texts = [a.get_text() for a in p.find_all('a')]
    other_text = p.get_text()
    for a_text in a_texts:
        other_text = other_text.replace(a_text, '').strip()
    sub_result = {
        'other_text': other_text,
        'a_texts': a_texts
    }
    p_texts.append(sub_result)
print(href_values)
print(p_texts)

BeautifulSoup可以将HTML解析为树形结构，方便准确地提取各种元素和属性，并且对不规范的HTML代码有更好的容错性。

星途面试题库

面试题：Python正则表达式处理复杂HTML标签及属性

知识考点

面试题答案