Python：从列表中删除/过滤等号

Question

快速提问，因为我被困住了，似乎无法再深入了解。

这是我的问题：

我在数据集中工作，我从XML转储中提取维基百科页面的每个部分名称。我提取文本，从文本中，每个部分都通过以下方式给出：

==部分名称==

但是，还有一些我不想处理的小节，通过

给出

===部分名称===

目前我正在使用正则表达式来过滤文本中的部分（pagetext）

sections = re.findall("==(.*)==", pagetext)

然而，结果是小节也包含在我的部分列表中。问题：如何从我的部分列表中过滤这些子部分，以便仅从文本中检索部分。

我已经使用了这个列表理解，但这不起作用

sections = [section for section in sections if section[0] == (r"^=")]

非常感谢任何帮助:)非常感谢提前!!

Answer 1

如果周围的文字完全是任意的，您可能不得不诉诸negative lookahead and negative lookbehind：

re.findall(r'(?<!=)==(?!=)(.*?)(?<!=)==(?!=)', pagetext)
# (?<!...) only matches if not preceded by ...
# (?!...) only matches if not followed by ...
# (.*?) the captured group itself, anything matched non-greedily

这可确保封闭'=='的部分既不在'='之前也不在其后面。

Answer 2

1. 启用多行标记re.M，以便表达式可以锚定在行的开头。
2. 将表达式锚定在每行的开头。
3. 排除第三个等号
，排除原始正则表达式中的子部分

例如

sections = re.findall("^==([^=].*)==", pagetext, re.M)