如何使用正则匹配并保留 HTML 标签的完整结构进行文本分割

正确做法是改用 re.finditer() 或 re.findall() 进行匹配（match）而非分割（split），并构造能捕获开闭标签配对 + 中间内容的正则模式。推荐使用如下表达式：

import re

pattern = r"<(p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)>[^<]*"
test_string = '
 Some text some text. 
 
 Another text 
. 
 some list 
. 
 another list 
'

matches = [match.group(0) for match in re.finditer(pattern, test_string, re.DOTALL)]
print(matches)
# 输出：
# ['
 Some text some text. 
', '
 Another text 
', '
 some list 
', '
 another list 
']

该正则核心解析如下：

• (p|li|ul|ol|dl|h1|h2|h3|h4|h5|h6)：限定支持的标签名（可按需增删）；
• >[^：匹配 >，随后是非 与前面捕获组相同的内容（\1 实现标签名回溯），最后是 >。

⚠️ 注意事项：

• 此方案仅适用于简单、格式良好、无嵌套、无属性、无自闭合标签（如 ）的 HTML 片段；
• [^
• 若输入含属性（如 ...）或换行/空白复杂，该正则将无法匹配；
• 生产环境强烈建议使用专业 HTML 解析器（如 BeautifulSoup 或 lxml），它们能稳健处理真实 HTML 的所有边界情况。

✅ 推荐替代方案（BeautifulSoup 示例）：

from bs4 import BeautifulSoup

soup = BeautifulSoup(test_string, 'html.parser')
target_tags = soup.find_all(['p', 'li', 'ul', 'ol', 'dl', 'h1', 'h2', 'h3', 'h4', 'h5', 'h6'])
result = [str(tag) for tag in target_tags]

综上：正则匹配成对标签是快速原型开发的有效手段，但应明确其局限性；涉及真实 HTML 处理时，请优先选用 DOM 解析器，兼顾健壮性与可维护性。