在Python中使用正则表达式替换特定元素以外的所有内容

Question

在Python中使用正则表达式，我想从一个字符串中去掉所有类似XML的元素，但保留那些包含QUOTE的元素，比如<QUOTE>、</QUOTE>或者<QUOTE A="B">这些要保留，而像<EXAMPLE>或者<TEST A="B">这样的则要去掉。我已经写了一段代码，可以替换掉所有元素，但我不知道怎么处理不需要的部分：

re.sub(r'</?[\w= \-"]+>', '', s)

有没有人有什么好主意？

Answer 1

rmalouf的方法应该是可行的。

这里有一个可能的单行代码。

re.sub(r'<[/]?[^Q][^U][^O][^T][^E][^>]*>', '', s)

[/]? 这个部分会匹配到斜杠（/），如果它存在的话。

[^>]*> 会匹配标签内部的所有内容，以及标签的结束部分。

如果你不希望有其他以Q开头的标签，你可以进一步简化代码：

re.sub(r'<[/]?[^Q][^>]*>', '', s)

Answer 2

我会先把QUOTE替换成一个文本中没有的奇怪符号，比如说^：

s = re.sub(r'(</?)QUOTE','\1^',s)

然后去掉那些不包含你那个奇怪符号的XML标签：

s = re.sub(r'</?[\w= \-"]+>','',s)

接着再把QUOTE放回去：

s = re.sub(r'(</?)\^','\1QUOTE',s)

编辑：你也可以把这些步骤合并成一行来做：

s = re.sub(r'(</?)\^','\1QUOTE',re.sub(r'</?[\w= \-"]+>','',re.sub(r'(</?)QUOTE','\1^',s)))

Answer 3

我觉得负向前瞻断言可以满足你的需求：

import re

regex = r'<(?!/?QUOTE\b)[^>]+>'

tests = [
    'a plain old string',
    'a string with <SOME> <XML TAGS="stuff">',
    'a string with <QUOTE>, </QUOTE>, and <QUOTE with="data">',
    'a string that has <QUOTEA> tags </QUOTEB>',
]

for i in tests:
    result = re.sub(regex, '', i)
    print('{}\n{}\n'.format(i, result))

编辑：它是如何工作的

前瞻断言，顾名思义，就是在匹配的字符串中“向前看”，但不会消耗它们所匹配的字符。你可以使用正向前瞻（(?=...)）和负向前瞻（(?!...)）。（还有正向和负向的后瞻断言。）

所以，显示的正则表达式会匹配标签的开始部分<，然后进行一个负向前瞻，检查后面是否有QUOTE，并且在它前面可以有一个可选的/（/?），后面要有一个单词边界（\b）。如果匹配到了，这个正则表达式就不会匹配，那个标签就会被忽略。如果没有匹配到，正则表达式就会继续匹配一个或多个不是>的字符，然后匹配结束的>。我想你可能还想让它匹配标签后面的空格，但我没有这样做。