如何拆分 HTML 文本忽略标签中的空格

Question

我有这样的html文本：

myHTML = 'I like <a class="thing1 thing2">this thing</a>'
myHTMLarray = myHTML.Split(' ')
>>>['I','like','<a','class="thing1','thing2">this','thing</a>']

我需要忽略标签中的空格（'' 之间的任何内容）。我想要的结果是：

>>>['I','like','<a class="thing1 thing2">this','thing</a>']

理想情况下，我想确保文本中的一个单词恰好出现在列表的每个元素中。因此，没有空格以外的文本的中断标签或跨度标签将包含在前一个单词中。

Answer 1

基本上你想忽略标签内的空格。为此，您需要跟踪开始和结束标记尖括号，并检测其他地方出现的空格，而不是括号之间的空格。

一旦我们只有重要的空格，我们就可以检测空格/单词和单词/空格的边界并使用切片提取所有单词。

def mysplit(html):
    in_tag = False
    in_word = False
    for i, ch in enumerate(html):
        if ch == '<':
            in_tag = True
        elif ch == '>':
            in_tag = False
        space = ch.isspace() and not in_tag
        if not in_word and not space:
            in_word = True
            begin = i
        elif in_word and space:
            in_word = False
            yield html[begin:i]
    if in_word:
        yield html[begin:]

testhtml = 'I like <a class="thing1 thing2">this thing</a>'
print(list(mysplit(testhtml)))
# prints: ['I', 'like', '<a class="thing1 thing2">this', 'thing</a>']

编辑：我对最初发布的代码做了一些小改动，以增加一点可读性。