正規表現_html_終了タグにマッチ

 

pythonで正規表現を使って文字列操作をするときに、

html要素のうちの終了タグを探索したいときの

その終了タグを表すパターン文字列は

pattern_tag_close = r"</([a-zA-Z0-9-]+)>"

でよろしいでしょうか？

↓

`pattern_tag_close = r"</([a-zA-Z0-9-]+)>"` でも

基本的に動作しますが、以下の点で改善の余地があります。

### 改善点：

1. **HTMLのタグ名には数字が先頭に来ない** 

 

   → `[a-zA-Z0-9-]+` では先頭が数字でもマッチしてしまう。

HTMLではタグ名は英字で始まるので 

`[a-zA-Z][a-zA-Z0-9-]*` の方が適切。

2. **自己終了タグの考慮は不要** 

 

   → `</tag>` のような終了タグのみを対象にするので問題なし。

3. **改行や空白の考慮

（特に `< /tag>` のような異常なスペースの考慮）**

  

   → `\s*` を追加すると、`</ tag>` のような

異常な空白にも対応可能。

### 修正後の正規表現：

```python

pattern_tag_close

 = r"</\s*([a-zA-Z][a-zA-Z0-9-]*)\s*>"

```

### 解説：

- `</\s*` → `</` の後にスペース（`\s*`）があってもOK

- `([a-zA-Z][a-zA-Z0-9-]*)`

→ タグ名の先頭は英字、後続は英数字とハイフン

- `\s*>` → タグ名の後にもスペースがあってもOK

### 使用例：

```python

import re

pattern_tag_close

= r"</\s*([a-zA-Z][a-zA-Z0-9-]*)\s*>"

html = "<div>Content</div> <br/> </span> </ div>"

matches = re.findall(pattern_tag_close, html)

print(matches)  # ['div', 'span', 'div']

```

`</span>` や `</ div>` のような

異常な空白を含むタグも正しくマッチできます。