python - 匹配多个包含括号内文本的完整 HTML 段落

Question

我需要匹配包含三个大括号之间的文本的完整 HTML 段落。

这是我输入的 HTML:

<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p>
<p>Ut enim ad minim veniam.</p>
<p>Duis aute irure dolor}}}</p>
<p><em>Excepteur sint occaecat cupidatat non proident.</em></p>
<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p>
<p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>
<p>Ut enim ad minima veniam, quis nostrum exercitationem.</p>

应匹配以下片段:

<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p>
<p>Ut enim ad minim veniam.</p>
<p>Duis aute irure dolor}}}</p>

和

<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p>
<p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>

目前我正在尝试使用以下正则表达式:

<p>.*?{{{.*?}}}<\/p>/gms

显然，它无法正常工作。

这是一个 Regex101 示例:https://regex101.com/r/9NSMy3/2

我知道使用正则表达式解析 HTML 不是最好的主意，因此任何其他解决方案也受到高度赞赏。

Answer 1

您可以使用 HTML 解析器查找所有 p 元素，检查每个元素是否与 in 运算符匹配，并将匹配项存储在列表中。在这里，我使用 begin 标志检查之前是否已经看到一组左括号(以跟踪正在进行的匹配)。

from bs4 import BeautifulSoup

inputhtml = '''
<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p>
<p>Ut enim ad minim veniam.</p>
<p>Duis aute irure dolor}}}</p>
<p><em>Excepteur sint occaecat cupidatat non proident.</em></p>
<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p>
<p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>
<p>Ut enim ad minima veniam, quis nostrum exercitationem.</p>
'''

soup = BeautifulSoup(inputhtml,'html.parser')

fragments = []
begin = False
for p in soup.find_all('p'):
    if '{{{' in p.text:
        begin = True
        fragments.append(str(p))
    if '}}}' in p.text:
        begin = False
    if '}}}' in p.text and not '{{{' in p.text:
        fragments[-1] += str(p)
    elif begin and not '{{{' in p.text and not '}}}' in p.text:
        fragments[-1] += str(p)

print(fragments)

输出:

['<p><strong>{{{Lorem ipsum dolor sit amet.</strong></p><p>Ut enim ad minim veniam.</p><p>Duis aute irure dolor}}}</p>',
'<p><strong><em>Sed {{{ut perspiciatis unde omnis iste natus error.</em></strong><em> sit voluptatem accusantium doloremque laudantium.</em></p><p>Neque porro quisquam est, qui dolorem ipsum quia dolor sit amet.}}}</p>']