從Python中的字符串中刪除可變長度字符

Question

我有以下形式的字符串：

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

一次從一行文本文件中讀取它們。 我想將它們分成單詞。 為此，我只是使用split()拆分字符串。

現在我有一組單詞，但是第一個單詞是<p>The而不是The 。 緊跟<>的其他單詞也一樣。 我想從單詞中刪除<..> 。

我想一行完成。 我的意思是我想像在命令行上一樣將<*>形式的參數作為參數傳遞。 我當時正在考慮使用replace()函數來嘗試執行此操作，但是我不確定replace()函數參數的外觀如何。

例如，如何更改下面的<..> ，這意味着我要包含<和>之間的所有內容：

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

Answer 1

不幸的是， str.replace不支持Regex模式。 您需要為此使用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.'
>>>

[^>]*匹配零個或多個不是>字符。

Answer 2

無需兩步解決方案

您不需要1.先拆分然后再替換2.。 以下兩個解決方案向您展示了如何一步完成。

---

選項1：全部匹配而不是拆分

全部匹配和拆分是同一枚硬幣的兩面 ，在這種情況下，匹配全部較為安全：

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

這些詞將在第1組中。

像這樣使用它：

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)

產量

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

討論

此問題是此問題中解釋的“正則表達式匹配模式，不包括...”的技術的典型案例。

交替的左側| 匹配完整的<tags> 。 我們將忽略這些匹配。 右側匹配並捕獲到第1組的單詞，我們知道它們是正確的單詞，因為它們與左側的表達式不匹配。

參考

• 除了情況s1，s2，s3以外，如何匹配（或替換）模式...
• 關於匹配模式的文章，除非...

選項2：一次拆分

<[^>]+>|[ .]

在|的左側 ，我們使用<complete tags>作為分割定界符。 在右側，我們使用空格字符或句點。

產量

This
is
a
string