用正则表达式替换为XML节点
我正在用Python写一个正则表达式，用来把字符串中的某些部分替换成XML节点。
源字符串看起来是这样的：
Hello REPLACE(str1) this is to replace REPLACE(str2) this is to replace
而结果字符串应该是这样的：
Hello <replace name="str1"> this is to replace </replace> <replace name="str2"> this is to replace </replace>
有没有人能帮我一下？
6 个回答
这里有一个使用pyparsing的解决方案。我知道你特别想要一个正则表达式的解决方案，但如果你的需求发生变化，使用pyparsing的解析器可能会更容易扩展。或者，pyparsing的原型解决方案可能会让你对问题有更多的理解，从而帮助你找到正则表达式或其他最终实现的方法。
src = """\
Hello
REPLACE(str1) this is to replace
REPLACE(str2) this is to replace
"""
from pyparsing import Suppress, Word, alphas, alphanums, restOfLine
LPAR,RPAR = map(Suppress,"()")
ident = Word(alphas, alphanums)
replExpr = "REPLACE" + LPAR + ident("name") + RPAR + restOfLine("body")
replExpr.setParseAction(
lambda toks : '<replace name="%(name)s">%(body)s </replace>' % toks
)
print replExpr.transformString(src)
在这个例子中，你用pyparsing创建了一个要匹配的表达式，定义了一个解析动作来进行文本转换，然后调用transformString来扫描输入源，找到所有匹配的内容，对每个匹配应用解析动作，并返回结果。这个解析动作的功能类似于@steveha解决方案中的mksub。
除了解析动作，pyparsing还支持给表达式中的各个元素命名——我用了“name”和“body”来标记两个感兴趣的部分，在正则表达式的解决方案中，它们分别被表示为组1和组2。你可以在正则表达式中命名组，对应的正则表达式看起来是这样的：
s_pat = "^\s*REPLACE\((?P<name>[^)]+)\)(?P<body>.*)$"
不幸的是，要通过名称访问这些组，你必须在正则匹配对象上调用group()方法，不能像我在lambda解析动作中那样直接进行命名字符串插值。但这就是Python，对吧？我们可以用一个类来包装这个可调用对象，这样就能通过名称像访问字典一样访问这些组：
class CallableDict(object):
def __init__(self,fn):
self.fn = fn
def __getitem__(self,name):
return self.fn(name)
def mksub(m):
return '<replace name="%(name)s">%(body)s</replace>' % CallableDict(m.group)
s_output = re.sub(pat, mksub, s_input)
使用CallableDict，mksub中的字符串插值现在可以通过调用m.group来获取每个字段，就像我们在检索字典中的['name']和['body']元素一样。
这里有一个很棒的教程，教你如何在Python中写正则表达式。
你遇到的问题有点棘手，因为你想在多行字符串中进行匹配。为了实现这一点，你需要使用 re.MULTILINE 这个标志。
接下来，你需要在源字符串中匹配一些组，并在最终输出中使用这些组。下面是可以解决你问题的代码：
import re
s_pat = "^\s*REPLACE\(([^)]+)\)(.*)$"
pat = re.compile(s_pat, re.MULTILINE)
s_input = """\
Hello
REPLACE(str1) this is to replace
REPLACE(str2) this is to replace"""
def mksub(m):
return '<replace name="%s">%s</replace>' % m.groups()
s_output = re.sub(pat, mksub, s_input)
唯一棘手的部分是正则表达式的模式。我们来详细看看。
^ 匹配字符串的开始。使用 re.MULTILINE 时，这个符号会匹配多行字符串中每一行的开始；换句话说，它会在字符串中的换行符后面匹配。
\s* 匹配可选的空白字符。
REPLACE 匹配字面意思的字符串 "REPLACE"。
\( 匹配字面意思的字符 "("。
( 开始一个“匹配组”。
[^)] 意思是“匹配任何不是 ')' 的字符”。
+ 表示“匹配一个或多个前面的模式”。
) 结束一个“匹配组”。
\) 匹配字面意思的字符 ")"。
(.*) 是另一个匹配组，包含 ".*"。
$ 匹配字符串的结束。使用 re.MULTILINE 时，这个符号会匹配多行字符串中每一行的结束；换句话说，它会匹配字符串中的换行符。
. 匹配任何字符，而 * 表示匹配零个或多个前面的模式。因此 .* 可以匹配任何内容，直到行的结束。
所以，我们的模式有两个“匹配组”。当你运行 re.sub() 时，它会生成一个“匹配对象”，这个对象会被传递给 mksub()。匹配对象有一个方法 .groups()，它会返回匹配的子字符串作为一个元组，然后这些内容会被替换到最终的文本中。
编辑：其实你不需要使用替换函数。你可以在替换文本中放入特殊字符串 \1，它会被替换为匹配组 1 的内容。（匹配组从 1 开始计数；特殊的匹配组 0 对应整个被模式匹配的字符串。）\1 字符串唯一棘手的地方是 \ 在字符串中是特殊的。要在普通字符串中得到一个 \，你需要连续写两个反斜杠，比如 "\\1"。不过你可以使用 Python 的“原始字符串”方便地写出替换模式。这样你就可以得到：
import re
s_pat = "^\s*REPLACE\(([^)]+)\)(.*)$"
pat = re.compile(s_pat, re.MULTILINE)
s_repl = r'<replace name="\1">\2</replace>'
s_input = """\
Hello
REPLACE(str1) this is to replace
REPLACE(str2) this is to replace"""
s_output = re.sub(pat, s_repl, s_input)