Question

我有一个从html直接下载的txt文件，其内容如下。

<TYPE>GRAPHIC
<TEXT>
.....
Example of omitted part: M%$2G]\U?HQM7L^!5K*'5E/1@0?IQ5\S^0/\ G$O\IORU\W:1YV\MKK(UK1# (I guess are some kind of non-Ascii characters)
.....
</TEXT>

我想删除<TYPE>GRAPHIC和</TEXT>之间的所有内容，并尝试re.sub('<TYPE>GRAPHIC(.*)</TEXT>', '', reader)，但是不起作用。

Answer 1

老实说，我认为这是一个合法的问题，可能以前曾有人问过，但是re.sub的表现确实很古怪，需要很多时间来习惯，而且大多数答案实际上都无法解释。它经常会忽略捕获组的事实尤其令人困惑，因此我不明白为什么要对您进行“ -1”

无论如何，这两个解决方案都应该起作用：

1。

>>> import re

>>> reader = '''<TYPE>GRAPHIC
    <TEXT>
    .....
    Example of omitted part: M%$2G]\U?HQM7L^!5K*'5E/1@0?IQ5\S^0/\ 
    G$O\IORU\W:1YV\MKK(UK1# 
    (I guess are some kind of non-Ascii characters)
    .....
    </TEXT>''' 

>>> re.sub("(?<=<TYPE>GRAPHIC)[\S\s]+(?=</TEXT>)", "", reader)
'<TYPE>GRAPHIC</TEXT>'

对于(?<=<TYPE>GRAPHIC)，我是说最终捕获的内容必须在<TYPE>GRAPHIC之后。通过这样做，我同时也说不要对(?<=<TYPE>GRAPHIC)本身进行操作/捕获/删除
我是说要[\S\s]+，使此捕获贪婪并查询以捕获所有文本
对于(?=</TEXT>)，我是说要捕获的文本必须紧跟</TEXT>，但是</TEXT>最终不会在re.sub字符串中删除。结果，因为这同时告诉re.sub不要实际捕获/操作/删除</TEXT>

。

2。

>>> import re

>>> reader = '''<TYPE>GRAPHIC
    <TEXT>
    .....
    Example of omitted part: M%$2G]\U?HQM7L^!5K*'5E/1@0?IQ5\S^0/\ 
    G$O\IORU\W:1YV\MKK(UK1# 
    (I guess are some kind of non-Ascii characters)
    .....
    </TEXT>'''


>>> parsed = re.sub(r'(<TYPE>GRAPHIC)[\S\s]+(</TEXT>)', r'\1\n\n\2', reader)
>>> print(parsed)
<TYPE>GRAPHIC

</TEXT>

在re.sub中，正则表达式前的“ r”表示引擎将以“原始字符串”模式对其进行处理
这样做，我可以打开正则表达式以打印特定的捕获组
额外的警告是，这种方式的re.sub通常与您希望做的消除文本的操作相反（实际上是相反）
通过提供参数r'\1\n\n\2'，我告诉它保留/打印我的捕获组1（通过\1），在它们之间放置换行符并保留/打印我的捕获组2 （通过\2），其他所有内容都不会返回，而是会被忽略。

Answer 2

在这里尝试：

re.sub("(?!<TYPE>GRAPHIC)\n(?:.|\n)+(?=<\/TEXT>)", "", text)
'<TYPE>GRAPHIC</TEXT>\n'

这里有一些复杂的正则表达式模式，如果您对它们的用途感到好奇，请在这里references for lookahead and lookbehind

删除“ <type> GRAPHIC”和“”之间的所有非ASCII字符

2 个答案: