a（嵌套）html标记的正则表达式

Question

我有以下文字：<p class="class">lorem</p> <p >ipsum</p > <p><p>lorem ipsum</p></p> 我需要把它分成四组（有规律的表达）：

1. <p class="class">lorem</p>
2. <p >ipsum</p >
3. <p><p>lorem ipsum</p></p>
4. <p>lorem ipsum</p>

我想我应该这样做：

1. <p></p>-用于段落
2. <p\s></p\s*>-对于<p之后的空白和>之前的无限空白
3. <p\s.*></p\s*>-对于p>之前的任何字符（对于类等）
4. <p\s.*>.*</p\s*>-对于段落的任何值

但是现在，如果我有<p>Lorem</p> <p>Ipsum</p>，我得到一个['<p>Lorem</p> <p>Ipsum</p>']。我明白为什么，但我不知道如何改进它，因为我需要两个组['<p>Lorem</p>', '<p>Ipsum</p>']。你有什么想法吗？在

PS：我使用Python和re-module。在

Answer 1

在re .*是贪婪的，这意味着它将尽可能多地匹配文本。添加?使文本不贪婪：

 <p\s.*?>.*?</p\s*?>

以下是文档：

^{pr2}$

可在此处获取文档：

https://docs.python.org/2/library/re.html