提取<和>之间文本的正则表达式（Python）- 例如<stringone><string-two>等

Question

我现在在玩Stack Overflow的数据备份，想写一个简单的正则表达式，用来提取尖括号<和>之间的标签名。也就是说，对于每个问题，我有一个或多个标签的列表，比如<tagone><tag-two>...<tag-n>，我想提取出这些标签的名字。以下是从数据备份中拿到的一些标签字符串的例子：

<javascript><internet-explorer>

<c#><windows><best-practices><winforms><windows-services>

<c><algorithm><sorting><word>

<java>

顺便说一下，我不需要把标签名拆分成单词，所以像<best-practices>这样的例子，我希望得到best-practices（而不是best和practices）。另外，我用的是Python，如果这有什么影响的话。有什么建议吗？

Answer 1

这里有一个简单粗暴的解决办法：

#!/usr/bin/python

import re
pattern = re.compile("<(.*?)>")
data = """
<javascript><internet-explorer>

<c#><windows><best-practices><winforms><windows-services>

<c><algorithm><sorting><word>

<java>
"""

for each in pattern.findall(data):
    print each

更新

特别提醒：如果数据是以XML或JSON格式存储的（就像有用户提到的那样），那么最好使用合适的XML或JSON解析器来处理。

Answer 2

与其进行数据转储（不管那是什么）并使用正则表达式，你可能更想用Stackoverflow API和json格式来处理数据。

比如，要提取这个问题的标签，你可以这样做：

import urllib2
import json
import gzip
import cStringIO

f=urllib2.urlopen('http://api.stackoverflow.com/1.0/questions/3708418?type=jsontext')
g=gzip.GzipFile(fileobj=cStringIO.StringIO(f.read()))
j=json.loads(g.read())

print(j['questions'][0]['tags'])
# [u'python', u'regex']

Answer 3

因为Stackoverflow的标签名称里没有包含<和>，所以你可以使用这个正则表达式：

<(.*?)>

或者

<([^>]*)>

解释：

• < : 代表一个字面意思的<
• (..) : 用来分组和记住匹配的内容。
• .*? : 用来匹配任何东西，但不会贪心地匹配，也就是说它会尽量少匹配。
• > : 代表一个字面意思的>
• [^>] : 一个字符类，用来匹配除了>以外的任何字符。