悠悠楠杉
网站页面
从HTML中精准提取与分离P标签和Table标签的实战指南
12/10
正文：
在网页抓取或内容分析时，经常需要从HTML中分离出特定标签（如<p>段落和<table>表格）。但HTML结构复杂，直接字符串匹配容易出错。本文将分享两种可靠方法：正则表达式和DOM解析，并对比其优缺点。
一、正则表达式：快速但需谨慎
正则适合简单场景，但需注意HTML嵌套问题。以下代码提取所有P标签内容：
html
import re
html = """
这是第一段
表格内容
这是第二段
"""
# 提取P标签（非贪婪模式）
p_tags = re.findall(r'(.*?)', html, re.DOTALL)
print("提取的P标签：", p_tags)
# 提取Table标签
tables = re.findall(r'(.*?)', html, re.DOTALL)
print("提取的Table标签：", tables)
注意点：
1. .*?表示非贪婪匹配，避免跨标签捕获；
2. re.DOTALL让.匹配换行符；
3. 正则无法完美处理嵌套标签（如<table>内嵌另一个<table>）。
二、DOM解析：精准且灵活
使用BeautifulSoup或DOMParser可精准操作HTML树结构。以下是Python示例：
html
from bs4 import BeautifulSoup
soup = BeautifulSoup(html, 'html.parser')
# 提取所有P标签文本
p_contents = [p.get_text(strip=True) for p in soup.find_all('p')]
print("DOM提取的P标签：", p_contents)
# 提取Table标签HTML
table_html = [str(table) for table in soup.find_all('table')]
print("DOM提取的Table标签：", table_html)
优势：
- 自动处理嵌套和属性（如class="note"）；
- 支持XPath或CSS选择器进一步过滤。
三、混合方案与边界处理
实际项目中，建议：
1. 预处理HTML：用html.strip()清除多余空格；
2. 错误处理：捕获AttributeError等异常；
3. 性能优化：对大型HTML使用lxml解析器。
常见问题：
- 表格内含<p>标签时，需递归检查子节点；
- 动态渲染的页面需先用Selenium获取完整HTML。
