python - 如何删除从此正则表达式中找到的字符？

Question

str = "<test>0</test>"
print re.search("<.*?>", str).group()
print re.search(">.*?<", str).group()
>> <text>
>> >0<

我怎样才能得到它，以便生成的文本是“测试”和“0”，而不包括我在正则表达式中用作标记的两个字符？

Answer 1

您不应该使用正则表达式来解析 XML/HTML，请参阅murgatroid99 的评论。

话虽如此，这里是您如何使用正则表达式获得此示例所需的结果。使用捕获组：

>>> s = "<test>0</test>"
>>> print re.search(r"<(.*?)>", s).group(1)
test
>>> print re.search(r">(.*?)<", s).group(1)
0

请注意，您不应将str其用作变量名，因为它会掩盖内置类型。

捕获组的替代方法是lookbehind和lookahead：

>>> print re.search(r"(?<=<).*?(?=>)", s).group()
test
>>> print re.search(r"(?<=>).*?(?=<)", s).group()
0

使用原始字符串文字 ( r"...") 对这些来说不是特别必要的，但是在编写正则表达式时最好养成使用它们的习惯，以确保正确处理反斜杠。

Answer 2

您应该将所需的文本放在反向引用中，并且可以使用 re.sub 替换该字符串。

顺便说一句，您可以在 1 个正则表达式中执行此操作：

"<\([^>]\)*>"

我没有测试它，但它应该可以工作，只需用反向引用 (\1) 替换字符串。

编辑：我很抱歉，我没有意识到你也想要标签中的文字..