在HTML单元格中使用HTML进行Python正则表达式解析

编辑：我注意到这已经被否决为一个副本，但事实并非如此，因为副本解决方案涉及使用beautifulsoup进行解析。我知道beautifulsoup是解决这个问题的更好方法，但为了学习，我一直在尝试使用正则表达式

我是正则表达式的新手，正在为HTML表开发一个基于Python的正则表达式解析器。到目前为止，我已经成功地生成了正确解析普通行、单元格和标题的模式，但我希望修改我的正则表达式以适应单元格和标题中的HTML。本质上，我希望不计算较大单元格中的HTML代码，这样做：

found = re.findall(isHeader,"<th>Student</th> Name</th>")
found = "Student</th> Name"

found=re.findall（isHeader，“学生姓名”）
found=“学生姓名”

在做了一些研究之后，我试图用前瞻性的方法来解决这个问题：

isHeader = r'<th\s*>([\S\s]*?)</th\s*>(?!(?:</th\s*>))'

isHeader=r'（[\S\S]*？）（？！（？：）' 此正则表达式试图隔离以“

”开头、以“

”结尾的字符串，前提是在下一个模式开始之前，同一模式中不再有“

”字符串。模式成功地隔离了“正确”的头（头本身没有

s），但未能正确解析“不正确”的头，在找到的第一个

处停止字符串

我假设我的前瞻性计划没有得到正确的实施。如有任何建议，将不胜感激

---

谢谢大家!

像这样的东西怎么样：

(?<=<th>).*(?=<\/th>)

---

（？谢谢你，Henry。它工作得很好，只是需要遵循html约定，允许在“th”（ie）后面有无限的空格）。我可以很容易地在第二组正则表达式中解释这一点，但在第一组中无法解释，因为后面的宽度不固定。知道如何解决这个问题吗？再次感谢！分析您的，我认为您可能只需要使正则表达式“贪婪”而不是“懒惰”：
（[\S\S]*）（？！（？：）
Demo: