标签中的 Python 正则表达式负前瞻答案

【问题标题】：Python Regex Negative Lookahead In Tags标签中的 Python 正则表达式负前瞻
【发布时间】：2015-01-26 19:19:42
【问题描述】：

我正在尝试在 Python 中开发一个否定的前瞻正则表达式来匹配不匹配的 xml 样式标签。我有两个字符串：

1) <TIMESTART>11:00</TIMEXSTART>. </bye> <TIMEX>not in december</TIMEX>
2) <TIMESTART>11:00</TIMEXSTART>. <TIMEX>not in december</TIMEX>

正则表达式应该匹配

</bye> in the first sentence but nothing in the second one

目前我有

re.compile(r'<\s*\/\s*[^>]*>.*?((?:<\s*\/\s*.*?>))')

但它总是匹配第二个结束标签。我尝试了否定的前瞻，但它不起作用，它与第二句中的最后一个结束标记 (TIMEX) 匹配：

re.compile(r'<\s*\/\s*[^>]*>^(?!<\s*\/\s*.*?>).*?((?:<\s*\/\s*.*?>))')

编辑：这效果更好，但它仍然无法捕捉到字符串以如下结尾的情况：

....</tag1> </tag2>

re.compile(r'<\s*\/\s*[^>]*>(?!<\s*\/\s*.*?>).*?((?:<\s*\/\s*.*?>)).*?((?:<\s*[^\/]\s*.*?>))')

【问题讨论】：

为什么你不想匹配 </TIMEXSTART> ？ unmatched xml style tags 是什么意思？
那是被错误复制的原始字符串的子字符串。现在已更正。
您能解释一下为什么不使用解析器吗？（除了“我没有时间了解它是如何工作的”）
你能纠正这个<TIMESTART>11:00</TIMEXSTART>吗？
RegEx match open tags except XHTML self-contained tags的可能重复

标签： python regex negative-lookahead

【解决方案1】：

从组索引 2 中获取不匹配的标签。

<(\w+\b[^<>]*)>(?:(?!<\/?\1>).)*</\1>|(<[^<>]*>)

DEMO

<(\w+\b[^<>]*)>(?:(?!<\/?\1>).)*</\1> 正则表达式将匹配所有正确关闭的标签。
| OR（即从剩余的字符串）
(<[^<>]*>) 这将捕获剩余的不匹配标签。

【讨论】：

看起来差不多了。如何调整它以使其仅返回未关闭的标签。在演示中，它匹配大多数结束标签。

【解决方案2】：

使用此模式并检查第二个捕获组

<([^<>]*)>[^<>]*<\/\1>|(<\/[^<>]*>)

Demo

【讨论】：

【解决方案3】：

尝试替换内容，而不是使用匹配。

import re
p = re.compile(ur'<([^>]*)(\s[^>]*)?>((?!<\/?\1>).)*<\/\1>')
test_str = u"<TIMEXSTART>11:00</TIMEXSTART>. </bye> <TIMEX>not in december</TIMEX>\n<TIMEXSTART>11:00</TIMEXSTART>. <TIMEX>not in december</TIMEX>"
subst = u""

result = re.sub(p, subst, test_str)

查看演示。

http://regex101.com/r/hQ9xT1/23

【讨论】：