Python 基于特定标记作为分隔符拆分HTML的优雅方法

Python/Regex：我正在寻找一种最优雅的方法，将

HTML

字符串拆分为一个字符串数组，其中分隔符是

script

标记。因此：

  <p> paragraph one </p>
  <script src="https://something.com/script.js"></script> 
  <p> paragraph two </p>
  <p> paragraph three </p>
  <script src="https://something.com/script.js"/>
  <p> paragraph four </p>

第一段

第二段

第三段

第四段

我将得到以下字符串数组：

[
  '<p> paragraph one </p>',
  '<script src="https://something.com/script.js"></script>',
  '<p> paragraph two </p><p> paragraph three </p>',
  '<script src="https://something.com/script.js"/>',
  '<p> paragraph four </p>'
]

[
“第一段
”，
'',
“第二段
第三段
”，
'',
“第四段”
]

---

我希望有一个指向正确方向的指针。

如果您不想安装外部软件包，此正则表达式与行尾拆分相结合应该可以完成以下工作：

import re
data=re.sub(r'</p>\n.*?<p>', '</p><p>', s).split('\n')

for line in data:
    print(line)

重新导入
data=re.sub（r'
\n.*？'，'
'，s）.split（'\n'）
对于行输入数据：
打印（行）

产出：

  <p> paragraph one </p>
  <script src="https://something.com/script.js"></script>
  <p> paragraph two </p><p> paragraph three </p>
  <script src="https://something.com/script.js"/>
  <p> paragraph four </p>

第一段

第二段第三段

第四段

正如Ronald所展示的，您可以在某种程度上使用regex操作html，即使这通常不是一个好主意，但您希望脚本标记成为分隔符，对吗？您希望在输出中包含分隔符

---

捕获这两种样式

\n请使用
beautiful soup
而不是regex。
import re

text = '''
<p> paragraph one </p>
<script src="https://something.com/script.js"></script>
<p> paragraph two </p>
<p> paragraph three </p>
<script src="https://something.com/script.js"/>
<p> paragraph four </p>
'''

regex = '(\<script.*\</script\>|\<script.*/\>)'
m = re.split(regex, text.replace("\n", ""))
print(m)

['<p> paragraph one </p>', '<script src="https://something.com/script.js"></script>', '<p> paragraph two </p><p> paragraph three </p>', '<script src="https://something.com/script.js"/>', '<p> paragraph four </p>']