如何使用正則表達式從文本文件中提取帶標簽的文本？

Question

對於一個類，我需要提取元素<seg> ... </seg>之間的所有內容，而我正在嘗試通過Python來完成此任務，而不是浪費大量的時間手動完成（這遠遠超過400行）。 我現在在代碼方面所擁有的是以下代碼（我在網上找到了一個代碼，並對其進行了一些更改，以使其不會打印行號）：

import re                           
err_occur = [] 
pattern = re.compile(r"<seg>(.*)</seg>")
try:
    with open ('corpus.txt', 'rt') as in_file:
        for linenum, line in enumerate(in_file):
            if pattern.search(line) != None:
                err_occur.append((linenum, line.rstrip('\n')))
        for linenum, line in err_occur:
            print(line, sep='')
except FileNotFoundError:
    print("Input file not found.")

我唯一的問題是它在結果中打印<seg>和</seg> ，我不想發生這種情況。 我嘗試創建組（您可以在pattern變量中使用括號的方式看到），但是我不知道如何操作代碼以僅返回組1（我嘗試了許多不同的方法）。

Answer 1

您需要使用positive lookbehind和positive lookahead 。 正則表達式中的<seg>和<\\seg>會消耗一些文本，因此您會在結果中看到它們，但是lookahead和lookbehind只是分別檢查</seg>和<seg>是否存在，而不消耗任何字符。 它只匹配那些字符串。

Tl; dr： lookahead和lookbehind匹配<seg>string</seg>中的字符串 ，而不是標簽。

因此，您的正則表達式應類似於(?<=<seg>).*(?=</seg>) ，這應該很好。

有一些documantation 這里

Answer 2

這是將在每行中打印不帶標簽的所有帶標簽文本的內容：

重要的修改是將您的正則表達式從(r"<seg>(.*)</seg>"更改為r"<seg>(.*?)</seg>"注意在*之后添加了? 。稱為將其設為“非貪婪”，因此它與其余文本盡可能不匹配（默認為“貪婪”模式），這在Python的在線文檔的“ 正則表達式HOWTO”部分中進行了更詳細的討論。

正則表達式方面的另一個重大更改是使用pattern.findall() 而不是 pattern.search() 。

我還刪除了代碼中處理行號的所有部分，因為您提到您對該信息不感興趣。

import re

err_occur = []
pattern = re.compile(r"<seg>(.*?)</seg>")
input_filename = 'corpus.txt'

try:
    with open(input_filename, 'rt') as in_file:
        for line in in_file:
            matches = pattern.findall(line)
            if matches:
                for match in matches:
                    err_occur.append(match)
except FileNotFoundError:
    print("Input file %r not found." % input_filename)

for tagged in err_occur:
    print(tagged)

Answer 3

您可以為此使用BeautifulSoup。

soup = BeautifulSoup(your input)
print soup.findAll("seg")[0].renderContents()

正則表達式也可以是：

import re
print re.findall("<seg>(.*?)</seg>", your input)

http://tpcg.io/B6h2So