Python按标签正则表达式分割

Question

我想要分割这些行：

<label>Olympic Games</label>
<title>Next stop</title>

到:

["<label>", "Olympic Games", "</label>"]
["<title>", "Next stop", "</title>"]

在Python中，我可以使用正则表达式，但我所创建的内容没有任何作用：

line.split("<\*>")

- Steven

---

这是XML吗？为什么不使用XML解析器？ - Steven Rumbalski

除了 @StevenRumbalski 之外，必须注意这是一个坏主意，因为正则表达式缺乏足够的能力来准确解释无上下文语法（例如 XML、HTML、平衡括号）。你已经被警告了。 - Jared Smith

Answer 1

使用lookaround和捕获组来保留分割后的文本：

使用lookaround和捕获组可以在分割字符串后保留特定的文本。

re.split(r'(?<=>)(.+?)(?=<)', '<label>Olympic Games</label>')

- Aran-Fey

---

最好使用环视吗？我已经在regexpal中尝试了你的正则表达式，但它既不支持JavaScript也不支持PCRE。 - Alejandro Alcalde

@algui91 这在JS中不起作用，因为它使用了后顾，但在PCRE中应该可以工作。无论如何，很难说它是否更好，这将取决于OP将在其上使用的确切文本。速度或内存消耗不会有显着差异，但可能您的模式将匹配我的模式无法匹配的字符串，反之亦然。 - Aran-Fey

Answer 2

这个正则表达式对我来说是有效的：

<(label|title)>([^<]*)</(label|title)>

或者，正如所建议的那样：

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

我使用过http://www.regexpal.com/

我使用了三个捕获组，如果您不需要它们，只需删除 ()

您的正则表达式 <\*> 的问题在于它只匹配一个内容：<*>。您使用 \* 转义了 *，因此您表示的是：

• 匹配任何文本，其中包含 <，然后是一个 *，最后是一个 >。

- Alejandro Alcalde

---

<(label|title)>([^<]*)</(\1)> 更好。 - cwallenpoole

@cwallenpoole 你是对的，这样更优雅了。已更新。 - Alejandro Alcalde

Answer 3

数据：

line = """<label>Olympic Games</label>
<title>Next stop</title>"""

使用具有前瞻/后顾断言的 re.findall：

import re

pattern = re.compile("(<.*(?<=>))(.*)((?=</)[^>]*>)")
print re.findall(pattern, line)
# [('<label>', 'Olympic Games', '</label>'), ('<title>', 'Next stop', '</title>')]

如果没有前瞻/后顾断言，只能通过捕获组并使用 re.findall 来实现：

pattern = re.compile("(<[^>]*>)(.*)(</[^>]*>)")
print re.findall(pattern, line)
# [('<label>', 'Olympic Games', '</label>'), ('<title>', 'Next stop', '</title>')]

- Sandipan Dey

Answer 4

如果你不介意标点符号，这里有一个快速的非正则表达式替代方案，使用itertools.groupby。

代码

import itertools as it


def split_at(iterable, pred, keep_delimter=False):
    """Return an iterable split by a delimiter."""
    if keep_delimter:
        return [list(g) for k, g in it.groupby(iterable, pred)]
    return [list(g) for k, g in it.groupby(iterable, pred) if k]

演示

>>> words = "Lorem ipsum ..., consectetur ... elit, sed do eiusmod ...".split(" ")
>>> pred = lambda x: "elit" in x
>>> split_at(words, pred, True)
[['Lorem', 'ipsum', '...,', 'consectetur', '...'],
 ['elit,'],
 ['sed', 'do', 'eiusmod', '...']]

>>> words = "Lorem ipsum ..., consectetur ... elit, sed do eiusmod ...".split(" ")
>>> pred = lambda x: "consect" in x
>>> split_at(words, pred, True)
[['Lorem', 'ipsum', '...,'],
 ['consectetur'],
 ['...', 'elit,', 'sed', 'do', 'eiusmod', '...']]

- pylang