用Python尝试写一个土法X-Path分析器

   今天突发奇想写一个HTML的分析器练练手，把HTML转换成X-Path的结构，关键在于具体的数据结构和标签关系，目前的设想是这样的：
1、找出所有html中的标签（用正则表达式)，得到标签列表(tag_lst)；
2、在re.findall()之后的列表中，分析嵌套结构
  1）遍历列表
  2）依次查看所有的标签，一旦带有 '<\xxx>' 模式，就开始往回查找之前的开始标签，一旦发现 xxx 相同，就归为同一层级（标签深度）(稍后解决表示的问题）
3、解决表示的问题

---

一、设想：
法1、得到tag_lst后，将其中所有元素变成一个列表，用于储存与其对应的标签在tag_lst中的index
结果：
法2、或许可以用递归；
结果：

二、具体实现：
1、导入文件：

import re
with open("html.txt", "r") as f:
    content = f.read()
# 先不考虑内存的事情
# 不然可以写 f.readlines(),一行一行的读入文件

2、生成 tag_lst
重点是 正则表达式 的模式写法
（1）： 结果只找到了最简单的匹配， <…>这样的，没有考虑到 ‘\’的结束标签

 r'<[a-zA-Z]+?>'

（2）如下可以找到结束标签了

r''
# /? 表示 有1个或0个/

（3）如下写法可以找到所有的div下带有属性的标签

r'' 
# (注意最后的那个 '?' ,如果不写，就会匹配尽可能多的结果；加了问号就会匹配尽量短的结果)

（4）又发现问题：

http://edu.51cto.com/course/course_id-308...

出现了这样的匹配，还是不太合适

于是最后……..查了资料，答案嘛。。。

.

.

.

.

.

.

.

.

.

.

.

.

.

看了书里的写法之后我表示我二了

r'<[^<]+?>'
# 在《正则表达式经典实例》里找到的，真是笨死
# 这个写法在大部分的情况下都是好用的，后面还有很多挑错的办法，既然咱们重点在于解析，就先凑合用着

于是现在代码是这样

import re
from os import system, popen

# remove result.txt
system("del result.txt")

with open("html.txt", "r") as f:
    content = f.read()
content = content.replace("\n", "")

# brkt_mode = re.compile(r'/]/w+>')
brkt_mode = re.compile(r'<[^<]+?>')
find_text = brkt_mode.findall(content)
##print find_text

# write into result.txt 查看搜出来的tags
with open("result.txt", "w+") as record_f:
    for i in find_text:
        record_f.writelines(i)
        record_f.writelines("\n")

3、寻找嵌套关系
现在所有的标签搜出来了，就要开始重头戏了，查找嵌套关系
先用笨方法，遍历tag_lst，用一次识别去除独立闭合的标签，将其变成内容
设一个变量depth，如果遍历到<>标签，则 depth += 1
如果遍历到