正则表达式：将字符串与模式匹配（可能不存在）[重复]

Question

我正在尝试使用 Python 中的正则表达式标记器解析 XML 文档（这是一个有限集，所以正则表达式就可以了！），但我无法正确匹配 cmets。

这些 cmets 的格式为 <!--This is a comment--> 形式，其中注释本身可以包含各种非字母数字字符（包括“-”）

我想以这样一种方式匹配它们，将评论分成以下标记：

<!--

This is a comment

-->

开始标记很容易获得，我用另一个正则表达式成功地抓住了它，但是评论正则表达式本身变得太贪婪并从结束标记中抓取--。不过，我希望这个正则表达式能够获取不一定包含在注释中的字符串，因此它也应该能够采用 <Tag>This is text</Tag> 并正确返回 This is text。

这是我目前用于文本的正则表达式：

[^<>]+(?!-->)

最终结果是This is a comment--，而我只想要This is a comment，以便我的其他正则表达式可以获取-->。这个正则表达式确实适用于普通标签，但是，由于结束标签上存在“This is text。

我知道我不能正确使用负前瞻。关于我在这里做错了什么的任何想法？我试过[^<>]+(?=-->)，但是这与任何不是这种形式的评论（如普通标签）不匹配。我认为(?!-->) 在看到该模式时会停止匹配，但它似乎不像那样工作，只是继续匹配直到它看到结尾 '>'。

为上下文贴一段代码：

xml_scanner = re.Scanner([
    (r"  ",             lambda scanner,token:("INDENT", token)),
    (r"<[A-Za-z\d._]+(?!\/)>",  lambda scanner,token:("BEGINTAG", token)),
    (r"<\/[A-Za-z\d._]+(?!\/)>",  lambda scanner,token:("ENDTAG", token)),
    (r"<[A-Za-z\d._]+\/>",      lambda scanner,token:("INLINETAG", token)),
    (r"<!--",               lambda scanner,token:("BEGINCOMMENT", token)),
    (r"-->",                lambda scanner,token:("ENDCOMMENT", token)),
    (r"[^<>]+(?!-->)",         lambda scanner,token:("DATA", token)),
    (r"\r$", None),
])

for line in database_file:
    results, remainder = xml_scanner.scan(line)

这是脚本目前唯一要做的事情。

Answer 1

你的问题是，在[^<>]+(?!-->)中，先行断言只有在This is a comment--匹配后才会尝试，当然它会成功，因为在正则表达式引擎结束的位置没有-->。

因此，您必须在字符串的每个 位置检查前瞻。正确的成语通常是：

(?:(?!-->).)*

或者，在你的情况下

(?:(?!-->)[^<>])*

这匹配除尖括号外的任意数量的字符，直到出现--> 或到达字符串的末尾。

Answer 2

您需要使用肯定前瞻，以确保此模式领先于您的匹配。

[^<>]+(?=-->)

如果你想让它更通用，以便它也匹配其他标签的内容，你可以在前瞻断言中使用替代：

[^<>]+(?=-->|</)

看here on Regexr

如果前面有“-->”或“</”，此正则表达式将停止。