python语言下的正则表达式运行有误

Question

我需要一句正则表达式从html页面中提取出可以用的信息，分别是<h1> <h2> <h3> 和 <div class="para"> 的标签，考虑到<div>标签有嵌套的<div>标签，我用的如下表达式:

<h[1-3].*?</h[1-3]>|<div class="para"[^>]*>(<div[^>]*>.*?</div>|.)*?</div>

这个表达式在在线测试网站上可以正确提取出我想要的结果

但是它在python下运行只可以提取出正确的条数，而取不出我想要的内容：

请问是我的表达式是需要转义？还是说python下的正则和普通的正则不太一样？我觉得条数既然能够提取出来，应该是我忽略了某个细节，希望有经验的大神能指点一下，谢谢！

Answer 1

从html/xml标记类型文档用正则提取是一种非常糟糕的实践，强烈不推荐这种方式提取，非常容易出错，并且极难维护。

这种标记类型文档强推xpath语法提取，专门提取html/xml这种标记类型文档，比正则方便多了。

看到你这正则头都大了，懒的细读你的匹配规则了，建议改用xpath重写吧

Answer 2

xpath 或者 beautifulsoup