RegEx / Python：n-在其他匹配之前出现匹配

Question

我有这样的XML文件结构：

 <word id="15" pos="SS">
          <token>infarto</token>
          <lemmas>infarto</lemmas>
         </word>
         <word id="16" pos="AS">
          <token>miocardico</token>
          <lemmas>miocardico</lemmas>
         </word>
         <word id="17" pos="AS" annotated="head">
          <token>acuto</token>
          <lemmas>acuto</lemmas>
         </word>
         <word id="18" pos="E">
          <token>in</token>
          <lemmas>in</lemmas>
         </word>
         <word id="19" pos="SS">
          <token>corso</token>
          <lemmas>corso</lemmas>
         </word>

我正在尝试做的是获取包含单词id 17的单词（带注释的标题为“ head”的单词）周围的单词的“ pos”和“ token”的值。

这是17字点之后的所有比赛没有问题。

(pos=")(.+)(")(\s\S+?)("head")([\s\S]+?)(>)(\w+?)(<+)([\S\s]+?)(pos=")(.+)(")([\s\S]+?)    (token>)(.+)(<)([\s\S]+?)

这为我提供了我想要的所有信息，如果我想扩展我可以添加

(pos=")(.+)(")([\s\S]+?)(token>)(.+)(<)([\s\S]+?)

到最后。 它不漂亮，但是可以用。

现在，当我想朝另一个方向走时，我绝对感到沮丧

(pos=")(.+)(")([\s\S]+?)(token>)(.+)(<)([\s\S]+?)(pos=")(.+)(")(\s\S+?)("head")

它不仅匹配单词16的信息（“带注释的头部”前面的第一个单词），还匹配之前的所有信息（单词15，单词14，单词13等）。

我想念什么？

PS很遗憾，不能使用XML解析器。

Answer 1

如果您确定数据是格式正确的XML。 我认为可以尝试以下步骤：

step1： <word[^>]*>([^<]*(?:(?!<\\/?word)<[^<]*)*)<\\/word> （请参阅http：// regexr。 com？31org ）
步骤2：从步骤1（组1）获取字符串，并与<token[^>]*>([^<]*(?:(?!<\\/?token)<[^<]*)*)<\\/token>匹配<token[^>]*>([^<]*(?:(?!<\\/?token)<[^<]*)*)<\\/token> （ref http://regexr.com?31ora ）或<lemmas[^>]*>([^<]*(?:(?!<\\/?lemmas)<[^<]*)*)<\\/lemmas> （ref http://regexr.com?31ord ）

您可以尝试根据需要修改这些模式：)

参考：掌握正则表达式第三

Answer 2

我认为应该是这样的：

(?s)(<word(?:(?!<word).)*)<word[^>]*?annotated="head".*?(<word[^>](?:(?<!</word>).)*)

结果，组＃1将包含id = 16的节点“ word”，而组＃2将包含id = 18的节点“ word”。

然后，您可以使用正则表达式分别解析这些节点中的每个节点，如下所示：

(?s)<word[^>]*?pos="(?P<pos>[^"]+).*?<token>(?P<token>[^<]+)

您将获得两组“ pos”和“ token”。

当然可以使用单个正则表达式，但是它会很丑陋。