使用html5lib库解析HTML文件，获取文本内容并进行正则表达式匹配

HTML5lib是一个解析HTML文档的Python库。它是以纯Python代码编写的，并且可以解析不完整的HTML片段。它遵循HTML5规范，并生成与浏览器一致的DOM树。

安装html5lib库可以使用pip命令：

pip install html5lib

下面是一个使用html5lib库解析HTML文件并进行正则表达式匹配的例子：

import html5lib
import re

# 读取HTML文件
with open('example.html', 'r') as file:
    html_content = file.read()

# 使用html5lib解析HTML
dom_tree = html5lib.parse(html_content, namespaceHTMLElements=False)

# 获取文本内容
text_content = dom_tree.getroot().text_content()

# 使用正则表达式匹配文本内容
pattern = r'(\d{3})-(\d{4})-(\d{4})' # 匹配电话号码
matches = re.findall(pattern, text_content)

# 打印匹配结果
for match in matches:
    print('Phone number: {}-{}-{}'.format(match[0], match[1], match[2]))

在上面的示例中，我们首先使用open()函数读取HTML文件，然后使用html5lib.parse()函数解析HTML内容。我们将namespaceHTMLElements参数设置为False，以确保解析器返回与浏览器一致的DOM树。

接下来，我们使用dom_tree.getroot().text_content()获取HTML文档的文本内容。这将返回HTML文档中所有元素的文本，包括标签和标签之间的文本。

然后，我们可以使用正则表达式来匹配文本内容。在这个例子中，我们使用了一个简单的正则表达式来匹配电话号码，该正则表达式匹配三个连续的数字，后跟一个连字符和四个连续的数字，再后跟一个连字符和四个连续的数字。

最后，我们使用re.findall()函数来执行正则表达式匹配，并打印出匹配结果。

需要注意的是，html5lib库的解析速度可能比较慢，尤其是对于大型HTML文件。因此，在处理大型HTML文件时，可能需要考虑使用其他解析器，如lxml库。

总结：

使用html5lib库可以方便地解析HTML文件，并通过获取文本内容和正则表达式匹配来提取需要的信息。可以根据需要适当调整和修改正则表达式以适应具体的匹配需求。