求解这种非标准 html 如何提取有效数据

[csx163]

近 10W+的文本文件，如何正确取出里面的姓名、地址、身份证号等信息，是不是只能用正则？

[ClutchBear]

我记得 pyquery 某个参数可以把没有闭合标签自动解析出闭合的

[fox1955]

npm install sax

[imn1]

建议正则吧，10w+用 dom 解析是难以想象的
用 xml sax 流式解析也可以

[night98]

格式完全一致还是说其中有部分缺斤少两的？先写个正则把 html 元素干掉，剩下的看规律写正则搞定。