本文详解为何正则表达式在解析嵌套、动态或不规范的 html（如 wprm 食谱）时容易失败，并推荐使用专业的 html 解析器 beautifulsoup，提供可复用、健壮、可维护的食谱成分提取方案。
本文详解为何正则表达式在解析嵌套、动态或不规范的 html（如 wprm 食谱）时容易失败，并推荐使用专业的 html 解析器 beautifulsoup，提供可复用、健壮、可维护的食谱成分提取方案。
正则表达式（regex）虽擅长处理结构化文本，但本质上并不适合解析 HTML——因为 HTML 是一种上下文相关的标记语言，具有嵌套性、可选闭合标签、属性转义、注释、CDATA 区块及合法但“松散”的格式（如 ... 内含其他标签或 HTML 实体）。你遇到的问题正是典型反例：在 WPRM 猪肉包食谱 中，ingredient-amount 后的内容实际包含未转义的 </span> 实体、连续的 标签嵌套，甚至跨标签的 HTML 实体（如 表示空格），导致 r'ingredient-amount">(.*?)' 这类贪婪/非贪婪匹配极易断裂或捕获过长内容，最终将 本身误作普通文本残留于结果中。
更深层问题在于：你的原始逻辑先用 re.split(r'
✅ 推荐方案：改用 BeautifulSoup —— 一个专为 HTML/XML 设计的 Python 解析库，它能自动修复 malformed HTML、准确构建 DOM 树、支持 CSS 选择器语法，并天然处理实体解码、空白规范化与标签嵌套。
以下是一个生产就绪的解析函数：
立即学习“前端免费学习笔记（深入）”；
from bs4 import BeautifulSoup
import requests
def extract_wprm_ingredients(html: str) -> list[dict]:
"""
从 WPRM 打印版 HTML 中提取标准化食谱成分信息。
返回列表，每个元素为字典，含键：'amount', 'unit', 'name', 'notes'
（缺失字段值为 None）
"""
soup = BeautifulSoup(html, 'html.parser') # 自动选择最优解析器（lxml/html.parser）
ingredients = []
base_class = "wprm-recipe-ingredient"
# 定位所有 ingredient 列表项（<li class="wprm-recipe-ingredient">）
for li in soup.select(f"li.{base_class}"):
item = {}
# 按子类名依次提取各字段
for field in ["amount", "unit", "name", "notes"]:
selector = f".{base_class}-{field}"
elem = li.select_one(selector)
item[field] = elem.get_text(strip=True) if elem else None
ingredients.append(item)
return ingredients
# 使用示例（需安装：pip install beautifulsoup4 requests）
if __name__ == "__main__":
url = "https://www.php.cn/link/5c6ad0665a39798966cb1827da181daf"
response = requests.get(url)
response.raise_for_status()
result = extract_wprm_ingredients(response.text)
for i, ing in enumerate(result[:3], 1):
print(f"{i}. {ing['amount']} {ing['unit'] or ''} {ing['name']} {ing['notes'] or ''}".strip())输出示例：
1. 2/3 cup heavy cream (at room temperature) 2. 1 cup milk (whole milk preferred, but you can use 2%, at room temperature) 3. 1/4 cup (60 ml) rice vinegar
? 关键优势说明：
-
鲁棒性强：自动处理 &, ,
、换行缩进、缺失标签等常见 HTML 变体； - 语义准确：基于 DOM 结构定位（如 li.wprm-recipe-ingredient > span.wprm-recipe-ingredient-amount），而非脆弱的字符串模式；
- 可扩展性好：新增字段（如 notes 或自定义属性）只需追加字段名到循环中；
- 可读性高：CSS 选择器直观反映 HTML 结构，便于团队协作与后期维护。
⚠️ 注意事项：
- 若处理大量页面，请添加 requests.Session() 复用连接、设置 User-Agent 头避免被拦截；
- 对离线 HTML 文件，直接传入字符串或文件对象即可（BeautifulSoup(open("file.html"), "html.parser")）；
- 如需极致性能，可将解析器切换为 lxml（pip install lxml），它比内置 html.parser 更快更容错；
- 切勿在未经验证的用户输入 HTML 上启用 exec 或 eval；BeautifulSoup 默认安全，无需额外 XSS 防护。
总结：当目标是解析 HTML 时，正则表达式应作为最后手段（仅限简单、严格可控的片段）。拥抱专用解析器，既是代码健壮性的保障，也是专业开发者的成熟实践。
