面试题：Python正则表达式之高级匹配模式 - 专家难度

Question

给定一段HTML代码文本，要求使用Python正则表达式提取出所有标签内的文本内容，并且这些标签需要满足以下条件：标签名称必须是自定义的'custom - tag'，标签可以有多个属性，属性值可能包含特殊字符，且属性值中的特殊字符需要按照HTML实体转义规则进行还原。请实现这个功能，返回提取出的文本内容列表，同时要考虑性能优化。

Answer 1

import re
import html

def extract_custom_tag_text(html_code):
    # 定义正则表达式匹配自定义标签及内部文本
    pattern = re.compile(r'<custom - tag(.*?)>(.*?)</custom - tag>', re.DOTALL)
    results = []
    for match in pattern.finditer(html_code):
        # 还原属性值中的HTML实体
        attrs = match.group(1)
        attrs_dict = {}
        if attrs:
            for attr in attrs.split():
                key, value = attr.split('=')
                attrs_dict[key] = html.unescape(value.strip('"'))
        # 还原标签内文本中的HTML实体
        inner_text = html.unescape(match.group(2))
        results.append(inner_text)
    return results

你可以这样调用函数：

html_code = "<custom - tag attr1='value1' attr2='&lt;special char&gt;'>text1</custom - tag><custom - tag attr3='&amp;'>text2</custom - tag>"
print(extract_custom_tag_text(html_code))