如何更好地处理HTML标签之间的正则表达式捕获组？

Question

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')]

Answer 1

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)

解释问题

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）：

1. 由首个和最后一个括号定义的所有模式
2. 在.|\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。

Answer 2

在这里，我们可以使用此表达式，

<DOCUMENT>(.*?)<\/DOCUMENT>

Please see this demo for explanation.

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。

Please see this demo for explanation.

测试

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)))