我正在尝试在下面的字符串中的html标签文档中捕获此内容。结果将产生所需的匹配,但还会产生一个奇怪的条目“ t”,即关闭标记之前的最后一个字母。
我对regex很陌生,我想知道发生了什么事?我应该读些什么?
PS:如果删除图案周围的()括号,则只会捕获“ t”。我不确定在这种情况下括号(即定义捕获组)有什么区别。
example = '''ABCDE<DOCUMENT>
Lorem ipsum
dolor sit amet</DOCUMENT>
EFGHIJK.'''
re.findall(r'(<DOCUMENT>(.|\s)*<\/DOCUMENT>)', example)
输出:
[('<DOCUMENT>\nLorem ipsum\ndolor sit amet</DOCUMENT>', 't')]
答案 0 :(得分:4)
尝试使用re.DOTALL
flag而不是使用\s
捕获空格:
re.findall(r'(<DOCUMENT>.*<\/DOCUMENT>)', example, flags = re.DOTALL)
re.findall
文档指出:
如果模式中存在一个或多个组,则返回一个组列表;如果模式有多个组,这将是一个元组列表
您的正则表达式中有两个捕获组(由括号定义):
.|\s
模式上这就是为什么返回的是一个包含两个元素的元组列表:\nLorem ipsum\ndolor sit amet
和t
。
在捕获组的*
外部内使用时,实际上是多次匹配它。该组的最后一次匹配是输入字符串中“ amet”的最后一个t
,因此findall
将其作为捕获组的值返回。
答案 1 :(得分:1)
在这里,我们可以使用此表达式,
<DOCUMENT>(.*?)<\/DOCUMENT>
带有s
标志或以下任何表达式:
<DOCUMENT>([\s\S]*?)<\/DOCUMENT>
<DOCUMENT>([\d\D]*?)<\/DOCUMENT>
<DOCUMENT>([\w\W]*?)<\/DOCUMENT>
带有m
标志,我们的问题很可能会解决。
import re
regex = r"<DOCUMENT>([\s\S]*?)<\/DOCUMENT>"
test_str = ("ABCDE<DOCUMENT>\n"
"Lorem ipsum\n\n\n\n"
"dolor sit amet</DOCUMENT>\n"
"EFGHIJK.")
matches = re.finditer(regex, test_str, re.MULTILINE)
for matchNum, match in enumerate(matches, start=1):
print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))
for groupNum in range(0, len(match.groups())):
groupNum = groupNum + 1
print ("Group {groupNum} found at {start}-{end}: {group}".format(groupNum = groupNum, start = match.start(groupNum), end = match.end(groupNum), group = match.group(groupNum)))