从Python中的字符串中删除可变长度字符

Question

我有以下形式的字符串：

<p>The is a string.</p>
<em>This is another string.</em>

一次从一行文本文件中读取它们。 我想将它们分成单词。 为此，我只是使用split()拆分字符串。

现在我有一组单词，但是第一个单词是<p>The而不是The 。 紧跟<>的其他单词也一样。 我想从单词中删除<..> 。

我想一行完成。 我的意思是我想像在命令行上一样将<*>形式的参数作为参数传递。 我当时正在考虑使用replace()函数来尝试执行此操作，但是我不确定replace()函数参数的外观如何。

例如，如何更改下面的<..> ，这意味着我要包含<和>之间的所有内容：

x = x.replace("<..>", "")

Answer 1

不幸的是， str.replace不支持Regex模式。 您需要为此使用re.sub ：

>>> from re import sub
>>> sub("<[^>]*>", "", "<p>The is a string.</p>")
'The is a string.'
>>> sub("<[^>]*>", "", "<em>This is another string.</em>")
'This is another string.'
>>>

[^>]*匹配零个或多个不是>字符。

Answer 2

无需两步解决方案

您不需要1.先拆分然后再替换2.。 以下两个解决方案向您展示了如何一步完成。

---

选项1：全部匹配而不是拆分

全部匹配和拆分是同一枚硬币的两面 ，在这种情况下，匹配全部较为安全：

<[^>]+>|(\w+)

这些词将在第1组中。

像这样使用它：

subject = '<p>The is a string.</p><em>This is another string.</em>'
regex = re.compile(r'<[^>]+>|(\w+)')
matches = [group for group in re.findall(regex, subject) if group]
print(matches)

产量

['The', 'is', 'a', 'string', 'This', 'is', 'another', 'string']

讨论

此问题是此问题中解释的“正则表达式匹配模式，不包括...”的技术的典型案例。

交替的左侧| 匹配完整的<tags> 。 我们将忽略这些匹配。 右侧匹配并捕获到第1组的单词，我们知道它们是正确的单词，因为它们与左侧的表达式不匹配。

参考

• 除了情况s1，s2，s3以外，如何匹配（或替换）模式...
• 关于匹配模式的文章，除非...

选项2：一次拆分

<[^>]+>|[ .]

在|的左侧 ，我们使用<complete tags>作为分割定界符。 在右侧，我们使用空格字符或句点。

产量

This
is
a
string