在Python中使用正则表达式替换除特定元素之外的所有元素

Question

在Python中使用正则表达式，我试图删除字符串中的所有XML类型元素，除了那些包含QUOTE的元素，例如<QUOTE> ， </QUOTE>或<QUOTE A="B">应保留，但其他如应删除<EXAMPLE>或<TEST A="B"> 。 我已经创建了这个，它取代了所有元素但却无法解决这个问题：

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

任何人的想法？

Answer 1

我相信负面的先行断言会做你想要的：

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

正如名称所示，Lookahead断言在匹配的字符串中“向前看”，但不消耗它们匹配的字符。 你可以做正面（ (?=...) ）和负面（ (?!...) ）前瞻。 （也存在积极和消极的外观断言。）

因此，显示的正则表达式匹配<作为标记的开头，然后对QUOTE进行负向前瞻，其前面有一个可选的/ （ /? ）和后面的单词边界（ \\b ）。 如果匹配，则正则表达式不匹配，并忽略该标记。 如果它不匹配，正则表达式继续吃一个或多个非>字符，结束> 。 我想你可能想让它吃掉标签后面的任何空格 - 我没有这样做。

Answer 2

我首先用一些未出现在文本中的奇怪符号替换QUOTE，例如^：

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

然后摆脱不包含您的奇怪符号的XML标记：

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

然后把QUOTE放回去：

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

编辑：你总是可以通过组合将这些组合成一行：

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

Answer 3

rmalouf的方法应该有效。

这是一个潜在的单线。

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

[/]？ 应该匹配/，当它存在时。

[^>] *>匹配标签内的所有其他内容，标签更接近。

如果您不希望其他标签以Q开头，您可以进一步缩短它：

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