【求助】正则如何查找未匹配的闭合标签

[sxingbai]

@last_idol

有需要可以把文本文件发我

多谢！暂时还不需要，期盼大作早日完善。

[jcz777]

Onigmo，H区也是可以匹配到的。

[\x{31350}-\x{323af}]

[last_idol]

@jcz777

Onigmo，H区也是可以匹配到的。

[\x{31350}-\x{323af}]

@last_idol

使用\p{Han}，需要考虑词典文本字符覆盖的范围。Unicode已经更新到15， 而Onigmo目前只支持到Unicode 12，也就是说对于13-15的汉字，用\p{Han}，是匹配不到的。

我们说的不是一回事啊，你用\p{Han}能匹配H区的汉字？

[jcz777]

0.0.
呵，没看仔细。确实。

[dictsun]

非常感谢各位的鼎力相助，热情回复，受益匪浅。

[Sunny1]

确实如 atauzki 所说，bs4会自动修复非闭合的标签

#测试1
>>> from bs4 import BeautifulSoup
>>> t = '<span class="ex"> <span class="ch">👉灯一下又亮了。<en> </span> <span class="en">After a while the lights went on again.<en> </span> <ex> </span>'
>>> BeautifulSoup(t).find(class_='ex')
<span class="ex"> <span class="ch">👉灯一下又亮了。<en> </en></span> <span class="en">After a while the lights went on again.<en> </en></span> <ex> </ex></span>

#测试2
>>> t = '<span class="ex"> <span class="ch">👉灯一下又亮了。<span class="en">After a while the lights went on again.'
>>> BeautifulSoup(t).find(class_='ex')
<span class="ex"> <span class="ch">👉灯一下又亮了。<span class="en">After a while the lights went on again.</span></span></span>

bs4的修复逻辑不一定符合你的要求

#测试3
>>> t = '<span class="ex"> <span class="ch">👉灯一下又亮了。<en> <span class="en">After a while the lights went on again.<en> </span> <ex> </span>'
>>> BeautifulSoup(t).find(class_='ex')
<span class="ex"> <span class="ch">👉灯一下又亮了。<en> <span class="en">After a while the lights went on again.<en> </en></span> <ex> </ex></en></span></span>

最好先找找有没有更靠谱的数据源，以免白做工

---

我以前用emeditor的时候，会用这种方法从里到外一层一层剥掉标签，

添加到批处理里面，一般执行十几次就可以，最后剩下的都是有问题的。（做这一步之前要先处理一下自闭合的标签）

[dictsun]

再次感谢楼上各位，查找的方法应该了解了。同时再次感谢 @Vim @last_idol @jcz777 指点解决带出来的标签问题。