使用Python正则表达式从字符串中提取不在HTML标签中的单词

Question

我想从一段文字中搜索一个词，这段文字里还有HTML代码。但我只想找出简单文本中的那个词，而不包括在HTML标签里的。

比如说：

post_content = """I have a question about xyz.
                I have a question about xyz .
                I have a question about xyz?
                I have a question about <a href="hello">xyz</a>.
                I have a question about <a href="hello">abc xyz</a>
                 xyz
                *xyz"""

我不想从 <a></a> 中找到 xyz。

请给我一个正则表达式，我试过 [^<.+?>]xyz。

看看这个演示： 演示

更新的代码

post_content = <above string>
keyword = "xyz"
pattern = r"(?!((?!<).)*<\/)%s" % keyword
replace = "<a href='#'>xyz</a>" 
post_content = re.sub(pattern, replace, post_content)
print "post_content", post_content

Answer 1

只需要使用一种叫做“负向前瞻”的技巧，就可以找到所有不在标签里的 xyz 字符串。

xyz(?![^<>]*<\/)

示例

>>> import re
>>> s = """I have a question about xyz.
... I have a question about xyz .
... I have a question about xyz?
... I have a question about <a href="hello">xyz</a>.
... I have a question about <a href="hello">abc xyz</a>
...  xyz
... *xyz"""
>>> m = re.findall(r'xyz(?![^<>]*<\/)', s)
>>> for i in m:
...     print i
... 
xyz
xyz
xyz
xyz
xyz

Answer 2

模式

(?!((?!<).)*<\/)xyz

查看实时 正则表达式

这个模式使用了负向前瞻，它的意思是匹配的内容应该在 < 和 </ 之间。