Python在标签正则表达式中拆分

Question

我正在尝试拆分这些行：

<label>Olympic Games</label>
<title>Next stop</title>

分为：

["<label>", "Olympic Games", "</label>"]
["<title>", "Next stop", "</title>"]

在Python中，我可以使用正则表达式，但我所做的并没有做任何事情：

line.split("<\*>")

Answer 1

使用lookarounds和捕获组在拆分后保留文本：

re.split(r'(?<=>)(.+?)(?=<)', '<label>Olympic Games</label>')

Answer 2

这个正则表达式对我有用：

<(label|title)>([^<]*)</(label|title)>

或者， cwallenpoole 建议：

<(label|title)>([^<]*)</(\1)>

我使用了http://www.regexpal.com/

我使用了三个捕获组，如果您不需要它们，只需删除()

你的正则表达式<\*>的错误是只匹配一件事：<*>。您已使用*跳过\*，所以您所说的是：

• 将所有文字与<匹配，然后与*匹配，再与>匹配。

Answer 3

数据：

line = """<label>Olympic Games</label>
<title>Next stop</title>"""

使用re.findall：

进行前瞻/后瞻断言

import re

pattern = re.compile("(<.*(?<=>))(.*)((?=</)[^>]*>)")
print re.findall(pattern, line)
# [('<label>', 'Olympic Games', '</label>'), ('<title>', 'Next stop', '</title>')]

没有前瞻/后瞻断言，只需使用re.findall捕获群组：

pattern = re.compile("(<[^>]*>)(.*)(</[^>]*>)")
print re.findall(pattern, line)
# [('<label>', 'Olympic Games', '</label>'), ('<title>', 'Next stop', '</title>')]

Answer 4

如果您不介意标点符号，则可以使用itertools.groupby进行快速非正则表达式替换。

<强>代码

import itertools as it


def split_at(iterable, pred, keep_delimter=False):
    """Return an iterable split by a delimiter."""
    if keep_delimter:
        return [list(g) for k, g in it.groupby(iterable, pred)]
    return [list(g) for k, g in it.groupby(iterable, pred) if k]

<强>演示

>>> words = "Lorem ipsum ..., consectetur ... elit, sed do eiusmod ...".split(" ")
>>> pred = lambda x: "elit" in x
>>> split_at(words, pred, True)
[['Lorem', 'ipsum', '...,', 'consectetur', '...'],
 ['elit,'],
 ['sed', 'do', 'eiusmod', '...']]

>>> words = "Lorem ipsum ..., consectetur ... elit, sed do eiusmod ...".split(" ")
>>> pred = lambda x: "consect" in x
>>> split_at(words, pred, True)
[['Lorem', 'ipsum', '...,'],
 ['consectetur'],
 ['...', 'elit,', 'sed', 'do', 'eiusmod', '...']]