使用python正则表达式打开<；ul>&书信电报；李>；并将无界项添加到列表中

我想将我的文本放在下面，并将其组合成如下所示的对象列表。我知道这可以通过正则表达式来实现。请帮忙

正在启动html文本：

peanut butter1
<ul id="ul0002" list-style="none">peanut butter2
    <li id="ul0002-0001" num="0000">2.0 to 6.0 mg of 17&#x3b2;-estradiol and</li>
    <li id="ul0002-0002" num="0000">0.020 mg of ethinylestradiol;</li>
    <br>
    <li id="ul0002-0003" num="0000">0.25 to 0.30 mg of drospirenone and</li>peanut butter3
</ul>peanut butter4

花生酱1 花生酱2

2.0至6.0毫克的17β-雌二醇和

0.020毫克乙炔雌二醇

0.25至0.30毫克屈螺旋酮和花生酱3 花生酱4 期望输出：

list = [
    ['peanut butter1', 'no tag'],
    ['peanut butter2', 'ul'],
    ['2.0 to 6.0 mg of 17β-estradiol and', 'li'],
    ['0.020 mg of ethinylestradiol;', 'li'],
    ['<br>', 'no tag'],
    ['0.25 to 0.30 mg of drospirenone and', 'li'],
    ['peanut butter3', 'no tag'],
    ['peanut butter4', 'no tag'],
]

列表=[
[“花生酱1”，“无标签”]，
[‘花生酱2’，‘ul’]，
['2.0至6.0 mg 17β；-雌二醇和'li']，
['0.020毫克乙炔雌二醇；'，'li']，
[“
”，“无标签”]，
['0.25至0.30 mg屈螺旋酮和'li']，
[“花生酱3”，“无标签”]，
[“花生酱4”，“无标签”]，
]

我同意前面关于解析HTML的评论。但是，为了好玩并假设是逐行解析，您可以尝试以下方法：

ss="""
peanut butter1
<ul id="ul0002" list-style="none">peanut butter2
    <li id="ul0002-0001" num="0000">2.0 to 6.0 mg of 17&#x3b2;-estradiol and</li>
    <li id="ul0002-0002" num="0000">0.020 mg of ethinylestradiol;</li>
    <br>
    <li id="ul0002-0003" num="0000">0.25 to 0.30 mg of drospirenone and</li>peanut butter3
</ul>peanut butter4
"""
import re
tags = re.compile (r".*?<([^/]\w*?) .*?>(.*?)</\1>") # find tag like <li ...>...</li>
start = re.compile(r".*?<([^/]\w*?) .*?>(.*)") # find starting tags with attributes
end = re.compile(r"</.*?>")
r=[]
for s in ss.split("\n"):
    if not s.strip(): continue
    st = re.match(start,s)
    if st: # start tag exists
        m = re.match(tags,s) 
        if m: # full terminated tag
            r.append(list(reversed(m.groups())))
            extra = s[m.end():].strip()
            if extra:
                r.append([extra,"no tag"])
        else: # half tag start
            r.append(list(reversed(st.groups())))
    else: # no start tag
        s = re.sub(end, "", s) # remove closing tags
        r.append([s.strip(),"no tag"])
print "\n".join([str(s) for s in r])

ss=”“”
花生酱1
花生酱2
2.0至6.0毫克的17-雌二醇和
0.020毫克乙炔雌二醇


0.25至0.30毫克屈螺旋酮和花生酱3
花生酱4
"""
进口稀土
tags=re.compile（r“.*？（.*？））#查找像
start=re.compile（r.“*？（.*））#查找具有属性的起始标记
end=re.compile（r“”）
r=[]
对于ss.split中的s（“\n”）：
如果不是s.strip（）：继续
st=重新匹配（开始，s）
如果st:#开始标记存在
m=重新匹配（标签，s）
如果m:#完全终止标记
r、 追加（列表（反向（m.groups（）））
extra=s[m.end（）：].strip（）
如果额外：
r、 追加（[额外，“无标记”]）
其他：#半标签开始
r、 追加（列表（反向（st.groups（）））
其他：#无开始标记
s=re.sub（结束，“，s）#删除结束标记
r、 追加（[s.strip（），“无标记”]）
打印“\n”.join（[str（s）表示r中的s]）

---

希望这有帮助

不！不要使用正则表达式来解析HTML！您可能应该使用类似于

BeautifulSoup

的东西。请阅读：Answer正则表达式不适合解析任意嵌套的结构。改用解析器。好的，谢谢大家的指导。我已经用了相当多的有限刮削。当htlm编写得不好时（例如，不平衡的标记），它有时比实际的解析器甚至BS更健壮，并且可以更快。