Expression régulière correspondant aux balises HTML de fermeture

Question

Je travaille sur un petit script Python pour nettoyer les documents HTML. Cela fonctionne en acceptant une liste de balises à GARDER, puis en analysant les balises HTML qui ne sont pas dans la liste. J'ai utilisé des expressions régulières pour le faire et j'ai réussi à faire correspondre des balises d'ouverture et des balises à fermeture automatique. mais ne ferme pas les tags. Le modèle que j'ai expérimenté pour faire correspondre les tags de fermeture est </(?!a)>. Cela me semble logique alors pourquoi ne travaille pas? Le (?!a) devrait correspondre à tout ce qui n'est pas une balise d'ancrage (pas que le "a" peut être n'importe quoi - c'est juste un exemple).

Édition: AGG! Je suppose que l'expression rationnelle n'a pas montré!

Answer 1

1. Lire:

   • RegEx match open tags except XHTML self-contained tags
   • Can you provide some examples of why it is hard to parse XML and HTML with a regex?

2. Repentez.

3. Utilisez un analyseur HTML réel, tel que BeautifulSoup.

Answer 2

Don't use regex to parse HTML. Cela ne vous donnera que des maux de tête.

Utilisez plutôt un analyseur XML. Essayez BeautifulSoup ou lxml.

Answer 3

<TAG\b[^>]*>(.*?)</TAG> 

Matchs de la paire d'ouverture et de fermeture d'une balise HTML spécifique.

<([A-Z][A-Z0-9]*)\b[^>]*>(.*?)</\1> 

Correspondra à la paire d'ouverture et de fermeture de n'importe quelle balise HTML.

Voir here.