Question

我一直在尝试仅匹配标记名称（没有<和>符号）是常规标记的情况：

<w:tag w:attrib1="http://url" w:attrib2="anyValue">

没有匹配的独奏标签（开 - 关标签）：

<w:tag2 w:attrib1="anyValue" w:attrib2="http://url" />

（请注意属性中的网址，因为它们包含正斜杠（/））

但无法通过以下方式实现目标：

regex = re.compile('(?<=<)w:\w+(?=[\w\W]+>)(?!\s/>)')

print(regex.findall(string))

得到这个：

['w:tag','w:tag2']

期待这个：

['w:tag']

有什么想法吗？

干杯。

Answer 1

1）在前瞻/后视上轻松一点;它们很难控制，你很少真正需要它们。使用捕获组来提取匹配字符串的一部分。使用负字符类和非贪婪搜索（如果需要）以避免匹配太多：

re.findall(r'<\s*(w:\w+)[^>]*(?<!/)>', string)

更容易阅读，不是吗？然而，

2）根本不要这样做！不要依赖RE匹配XML或HTML，你只是要求心碎。有关详细信息，请参阅https://stackoverflow.com/a/1732454/699305。 :-)熟悉使用python的xml.etree.ElementTree代替xpath表达式。这需要一些时间来适应，但是花费时间 - 你不会后悔。

Answer 2

找到它：

regex = re.compile('(?<=<)w:\w+(?=>)|(?<=<)w:\w+(?=[\s\w+:\w+="[\w/:.-]+"]{0,10}>)')

Python XML正则表达式匹配问题

2 个答案: