Question

我有一个像这样的XML文件结构：

 <word id="15" pos="SS">
          <token>infarto</token>
          <lemmas>infarto</lemmas>
         </word>
         <word id="16" pos="AS">
          <token>miocardico</token>
          <lemmas>miocardico</lemmas>
         </word>
         <word id="17" pos="AS" annotated="head">
          <token>acuto</token>
          <lemmas>acuto</lemmas>
         </word>
         <word id="18" pos="E">
          <token>in</token>
          <lemmas>in</lemmas>
         </word>
         <word id="19" pos="SS">
          <token>corso</token>
          <lemmas>corso</lemmas>
         </word>

我正在尝试做的是获取围绕具有单词id 17（注释=“头部”）的单词的“pos”和“token”的值。

对于第17行之后的所有比赛，这都没有问题。

(pos=")(.+)(")(\s\S+?)("head")([\s\S]+?)(>)(\w+?)(<+)([\S\s]+?)(pos=")(.+)(")([\s\S]+?)    (token>)(.+)(<)([\s\S]+?)

这可以获取我想要的所有信息，如果我想扩展，我可以添加

(pos=")(.+)(")([\s\S]+?)(token>)(.+)(<)([\s\S]+?)

到最后。它不漂亮，但它有效。

现在，当我想要走向另一个方向时，我绝对难倒

(pos=")(.+)(")([\s\S]+?)(token>)(.+)(<)([\s\S]+?)(pos=")(.+)(")(\s\S+?)("head")

它不匹配单词16的信息（“注释头”前面的第一个），而是匹配之前的所有信息（单词15，单词14，单词13等）。

我错过了什么？

P.S。遗憾的是，使用XML解析器不是一种选择。

Answer 1

如果您确定您的数据是格式良好的XML。我认为这是可能的，尝试这些步骤：

第1步：<word[^>]*>([^<]*(?:(?!<\/?word)<[^<]*)*)<\/word>（参考http://regexr.com?31org）
第2步：从第1步（第1组）获取字符串，并与<token[^>]*>([^<]*(?:(?!<\/?token)<[^<]*)*)<\/token>（参考http://regexr.com?31ora）或<lemmas[^>]*>([^<]*(?:(?!<\/?lemmas)<[^<]*)*)<\/lemmas>（参考http://regexr.com?31ord）

匹配

您可以尝试根据您的要求修改这些模式：）

参考：掌握正则表达式3

Answer 2

我认为它应该是这样的：

(?s)(<word(?:(?!<word).)*)<word[^>]*?annotated="head".*?(<word[^>](?:(?<!</word>).)*)

因此，组＃1将包含id = 16的节点“word”，组＃2将包含id = 18的节点“word”。

然后，您可以使用正则表达式分别解析每个节点，如下所示：

(?s)<word[^>]*?pos="(?P<pos>[^"]+).*?<token>(?P<token>[^<]+)

你会得到两组'pos'和'token'。

当然可以使用单个正则表达式，但它会非常难看。

RegEx / Python：n - 在其他匹配之前发生匹配

2 个答案: