本文介绍如何精准匹配常见的成对 html 标签（如 `

`、`

`、`

` 等）及其完整内容，确保开闭标签与中间文本一并捕获，避免 `re.split` 导致标签丢失的问题。

在处理 HTML 片段时，若目标是提取特定成对标签的完整结构（例如

• 内容
或

标题

），直接使用 re.split() 会将标签本身作为分隔符丢弃，无法满足“保留标签”的需求。此时应改用 re.finditer() 或 re.findall() 进行匹配（match）而非分割（split）。

核心思路是：利用正则中的捕获组 + 反向引用，确保开闭标签名称一致，并匹配二者之间的内容。推荐正则模式如下：

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><div class="aritcle_card flexRow">
                                                        <div class="artcardd flexRow">
                                                                <a class="aritcle_card_img" href="/xiazai/skill11445" title="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审"><img
                                                                                src="https://img.php.cn/upload/skill/001/246/273/6adaf20e695c2374.jpg" alt="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审" ></a>
                                                                <div class="aritcle_card_info flexColumn">
                                                                        <a href="/xiazai/skill11445" title="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审">使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审</a>
                                                                        <p>使用经过文档化的设计技能，从真实的品牌或项目背景中生成HTML原生原型、幻灯片、动态演示、可视化图表和评审流程。</p>
                                                                </div>
                                                                <a href="/xiazai/skill11445" title="使用华数设计生成高保真HTML原型、演示文稿、动画和设计评审" class="aritcle_card_btn flexRow flexcenter"><b></b><span>下载</span> </a>
                                                        </div>
                                                </div> <p> Another text another text </p><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/cb6835dc7db1" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">前端免费学习笔记（深入）</a>”；</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><p><span>立即学习</span>“<a href="https://pan.quark.cn/s/cb6835dc7db1" style="text-decoration: underline !important; color: blue; font-weight: bolder;" rel="nofollow" target="_blank">前端免费学习笔记（深入）</a>”；</p>', 
#  '<li> some list </li>', 
#  '<ul> another list </ul>']

✅ 关键说明：

• (p|li|ul|ol|dl|h1|...) 捕获标签名；
• [^
• \1> 精确匹配对应闭合标签（\1 引用第一个捕获组内容）；
• re.DOTALL 使 . 可匹配换行符，提升鲁棒性。

⚠️ 重要注意事项：

• 此正则不支持标签属性（如

  ）或嵌套结构（如

  • text

  ），因 [^
• 对于真实 HTML 文档（含属性、注释、自闭合标签、不规范缩进等），强烈建议使用专业 HTML 解析器（如 BeautifulSoup 或 lxml），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(tag)

✅ 总结：正则适用于可控、结构简单的 HTML 片段提取；生产环境或复杂 HTML，请务必转向 DOM 解析器——它语义准确、容错性强，且天然支持属性遍历、嵌套查询与安全清理。