本文介绍如何精准匹配常见的 html 块级标签（如 `

`、`

`、`

` 等）及其闭合结构，确保标签对完整保留在结果中，避免破坏语义；强调 `re.finditer` + 捕获组 + 反向引用的正确用法，并指出正则处理 html 的局限性。

在文本处理中，若需按特定 HTML 标签“切分”字符串，但又要求保留完整的起始-结束标签对（如 <li>…</li>）且不丢失嵌套结构或标签本身，直接使用 re.split() 会将分隔符（即标签）剥离，导致结果中缺失关键标记——这正是原始需求的根本痛点。

此时，正确思路应是 “匹配”而非“分割”：使用 re.finditer() 配合支持反向引用的正则表达式，精准捕获成对出现的开放/闭合标签及其内部内容。

推荐正则模式如下：


HTML汇报生成器
🚀 不用写一行代码！把项目总结、工作汇报、研究报告、技术文档、提案、数据看板直接变精美HTML。12种主题 × 11种背景动效 × 9种鼠标特效 × 10种边框样式 × 实时调色器 × 毛玻璃卡片 × PDF导出，生成后还能自由调色，零门槛AI直出。触发词：项目总结、工作汇报、PPT、生成报告、做个总结、HTML文档、数据报告、流程文档、会议纪要、技术文档、研究报告、数据看板、提案、做个展示页、帮我做个汇报、文档生成。
下载

import re

pattern = r"<(p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)>[^<]*</\1>"
subject = '<p> Some text some text some text. </p> <p> Another text another text </p>. <li> some list </li>. <ul> another list </ul>'

matches = [match.group(0) for match in re.finditer(pattern, subject, re.DOTALL)]
print(matches)
# 输出：
# ['<p> Some text some text some text. </p>',
#  '<p> Another text another text </p>',
#  '<li> some list </li>',
#  '<ul> another list </ul>']

✅ 关键解析：

立即学习“前端免费学习笔记（深入）”；

• (p|li|ul|ol|dl|h1|...h6) —— 捕获标签名到第一组；
• </\1> —— 精确匹配对应闭合标签（如 <li> → </li>），杜绝 <li>...</ul> 类错配；
• [^<]* —— 匹配标签内不含 < 的纯文本（适用于无嵌套、无属性的简化场景）；
• re.DOTALL —— 使 . 可匹配换行符，提升多行内容兼容性。

⚠️ 注意事项：

• 此方案不支持标签属性（如 <p class="intro">）或嵌套结构（如 <ul><li>text</li><li><strong>nested</strong></li></ul>），因 [^<]* 会提前终止匹配；
• 若需处理真实 HTML（含属性、注释、自闭合标签、JS/CSS 内容等），务必改用专业 DOM 解析器，例如：

  from bs4 import BeautifulSoup
  soup = BeautifulSoup(subject, 'html.parser')
  for tag in soup.find_all(['p', 'li', 'ul', 'ol', 'dl', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6']):
      print(str(tag))  # 完整保留标签、属性、子节点及格式

? 总结：正则适用于可控、扁平、无属性的 HTML 片段提取；而真实 Web 内容解析，请始终优先选用 BeautifulSoup、lxml 或 html.parser 等成熟 DOM 工具——它们健壮、可维护，且能正确处理 HTML 规范中的所有边界情况。