最近遇到一個需求，要獲得一個網頁上一個div裡所有的內容。理所當然的使用正則表示式，但是python是不支援正則平衡組的。所以只能自己寫程式碼實現了。程式碼如下：

import re

'''
堆疊方式，迴圈查詢標籤名稱
'''
def loopTab(tagName,content):
    #需要匹配的標籤名稱
    tagBegin = "<"+tagName
    tagEnd = "</"+tagName
    tagRegex = r"("+tagBegin+"|"+tagEnd+")"

    #標籤名稱的數量決定著，匹配的結尾在哪裡
    #遇到開頭標籤，就加一，遇到結尾標籤就減一
 

    #直到減到0的時候就是結束的時候
    tagNum = 0;

    pattern = re.compile(tagRegex,re.M|re.S)
    mather = pattern.search(content)

    #迴圈匹配開頭標籤和結尾標籤
    while mather:
        group = mather.group()
        if group == tagBegin:
            #開頭標籤，數量加1
            tagNum = tagNum + 1
        else:
            #結尾標籤，數量減1
 

            tagNum = tagNum - 1

        #標籤數量為0，迴圈結束，範圍結尾處的下標。
        if tagNum == 0:
            return mather.span()[1] + 2

        #下一次迴圈
        mather = pattern.search(content,mather.span()[1])

    #如果標籤不匹配，返回0。
    return 0;

'''
平衡組查詢
'''
def balenceGroup(regexHead,text):
    #解析標籤名稱
    tabName =  re.compile(r"<(.+?)\s"
 
,re.S).search(regexHead).group(1)
    #使用貪婪模式，儘可能多的找到內容，然後從找到的內容中篩選
    regex = regexHead + ".*</"+tabName+">"
    mather = re.compile(regex,re.M|re.S).search(text)
    if mather:
        divContent = mather.group()
        return divContent[:loopTab(tabName,divContent)]
    return ""


text = '''  <div id="1">
                <div id="2">
                    <div id="3">
                        aaa
                    </div>
                </div>
                <div id="4">
                    bbb
                </div>
            </div>
            <div id="5">
                ccc
            </div>
        '''


regex = r"<div id=\"1\">"
result = balenceGroup(regex,text)
print(result)

輸出結果如下：

    <div id="1">
                <div id="2">
                    <div id="3">
                        aaa
                    </div>
                </div>
                <div id="4">
                    bbb
                </div>
            </div>
[Finished in 0.1s]