Question

在Python中使用正则表达式，我试图删除字符串中的所有XML类型元素，除了那些包含QUOTE的元素，例如<QUOTE>，</QUOTE>或<QUOTE A="B">应该保留，但是应删除<EXAMPLE>或<TEST A="B">等其他内容。我已经创建了这个，它取代了所有元素但却无法解决这个问题：

re.sub(r'</?[\w= \-"]+>', '', s)

任何想法？

Answer 1

我认为负面的先行断言会做你想做的事情：

import re

regex = r'<(?!/?QUOTE\b)[^>]+>'

tests = [
    'a plain old string',
    'a string with <SOME> <XML TAGS="stuff">',
    'a string with <QUOTE>, </QUOTE>, and <QUOTE with="data">',
    'a string that has <QUOTEA> tags </QUOTEB>',
]

for i in tests:
    result = re.sub(regex, '', i)
    print('{}\n{}\n'.format(i, result))

编辑：如何运作

Lookahead断言，顾名思义，在匹配的字符串中“向前看”，但不消耗它们匹配的字符。您可以做正面（(?=...)）和负面（(?!...)）前瞻。（还有正面和负面的看法断言。）

因此，显示的正则表达式与<匹配标记的开头，然后对QUOTE进行负前瞻，前面带有可选的/（/?）并且它背后的单词边界（\b）。如果匹配，则正则表达式不匹配，并忽略该标记。如果它不匹配，正则表达式继续吃一个或多个非>个字符，以及结束>。我想你可能想让它吃掉标签后面的任何空格 - 我没有这样做。

Answer 2

我首先用一些未出现在文本中的奇怪符号替换QUOTE，例如^：

s = re.sub(r'(</?)QUOTE','\1^',s)

然后摆脱不包含奇怪符号的XML标记：

s = re.sub(r'</?[\w= \-"]+>','',s)

然后将QUOTE重新放入：

s = re.sub(r'(</?)\^','\1QUOTE',s)

编辑：您总是可以通过合成将这些组合成一行：

s = re.sub(r'(</?)\^','\1QUOTE',re.sub(r'</?[\w= \-"]+>','',re.sub(r'(</?)QUOTE','\1^',s)))

Answer 3

rmalouf的方法应该有效。

这是一个潜在的单线。

re.sub(r'<[/]?[^Q][^U][^O][^T][^E][^>]*>', '', s)

[/]？应该匹配/，当它存在时。

[^＆GT;] * GT;匹配标签内的所有其他内容，并使标签更接近。

如果您不希望其他标签以Q开头，您可以进一步缩短它：

re.sub(r'<[/]?[^Q][^>]*>', '', s)

在Python中使用正则表达式替换除特定元素之外的所有元素

3 个答案: