Python - 正则表达式 - 查找除标签之外的每个单词

Question

如何使用RE模块查找除标签中的所有单词？

我知道如何找到一些东西，但如何以相反的方式做到这一点？就像我写一些东西来搜索一样，但是我想要搜索除了标签和标签本身内的所有内容之外的所有单词？

到目前为止，我设法做到了：

f = open (filename,'r')
data = re.findall(r"<.+?>", f.read())

那么它会打印<>标签内的所有内容，但如何让它找到除这些标签内的每个单词之外的所有单词？ 我尝试^，在[]内的模式开头使用，但后来符号为.的字面上没有特殊含义。 我还设法通过使用'''\= <>"'''拆分字符串来解决这个问题，然后检查整个字符串中<>个标记内的单词（如align，right，td等），并附加不在里面的单词＆LT;＆GT;另一个列表中的标签。但那有点丑陋的解决方案。

除了<>内的任何内容以及这些标签本身之外，是否有一些简单的方法可以搜索每个单词？ 所以说字符串'hello 123 <b>Bold</b> <p>end</p>' 使用re.findall，将返回：

['hello', '123', 'Bold', 'end']

Answer 1

使用正则表达式进行此类任务并不是最好的主意，因为您无法使其适用于所有情况。

应该捕获大多数此类单词的解决方案之一是正则表达式

\b\w+\b(?![^<]*>)

Answer 2

如果您想avoid使用正则表达式，BeautifulSoup可以很容易地从HTML文档中获取文本：

from BeautifulSoup import BeautifulSoup

soup = BeautifulSoup(html_string)
text = "".join(soup.findAll(text=True))

从那里，您可以获得split的单词列表：

words = text.split()

Answer 3

re.compile(r'<[^>]+>').sub('', string).split()之类的东西可以解决问题。

您可能希望阅读有关使用正则表达式处理无上下文语言的this post。

Answer 4

删除所有标签（使用原始正则表达式），然后匹配单词。

唯一的缺点是，如果字符串中有< s而不是标记分隔符，或者HTML格式不正确。在这种情况下，最好使用HTML解析器。