正则表达式：将一个字符串匹配一个模式（可能不存在）

Question

我正在尝试使用Python中的正则表达式标记器来解析XML文档（这是一个有限集，因此正则表达式就可以了！），并且我无法正确匹配注释。

这些注释的格式为<!--This is a comment-->注释本身可以包含各种非字母数字字符（包括“-”）的形式

我想以一种匹配方式将评论分解为以下标记：

<!--

This is a comment

-->

开始标记很容易获得，我成功地用另一个正则表达式抓住了它，但是注释正则表达式本身太贪婪了，--从结束标记处抓住了它。我希望这个正则表达式也可以捕获不一定包含在注释中的字符串，因此它也应该能够<Tag>This is text</Tag>正确返回This is text。

这是我当前用于文本的正则表达式：

[^<>]+(?!-->)

This is a comment--当我只想This is a comment使我的其他正则表达式能够抓住时，最终结果就是-->。这个正则表达式确实适用于普通标签，但是，由于结尾标签上存在“ <”，因此可以This is text从我之前的示例中正确返回。

我知道我一定不能正确使用负面的前瞻性。对我在这里做错的任何想法吗？我已经尝试过了[^<>]+(?=-->)，但是那不符合任何不是这种形式的注释的内容（例如普通标签）。我认为，(?!-->)当看到该模式时，它将停止匹配，但是它似乎并不像那样工作，而是继续匹配，直到看到结尾的“>”为止。

发布一段上下文代码：

xml_scanner = re.Scanner([

    (r"  ",             lambda scanner,token:("INDENT", token)),

    (r"<[A-Za-z\d._]+(?!\/)>",  lambda scanner,token:("BEGINTAG", token)),

    (r"<\/[A-Za-z\d._]+(?!\/)>",  lambda scanner,token:("ENDTAG", token)),

    (r"<[A-Za-z\d._]+\/>",      lambda scanner,token:("INLINETAG", token)),

    (r"<!--",               lambda scanner,token:("BEGINCOMMENT", token)),

    (r"-->",                lambda scanner,token:("ENDCOMMENT", token)),

    (r"[^<>]+(?!-->)",         lambda scanner,token:("DATA", token)),

    (r"\r$", None),

])

for line in database_file:

    results, remainder = xml_scanner.scan(line)

这是脚本当前唯一要做的事情。

Answer 1

您的问题是，在中[^<>]+(?!-->)，先行断言仅在This is a comment--匹配后才尝试，并且当然会成功，因为-->在正则表达式引擎已结束的位置上没有。因此，您必须在字符串的每个位置检查前瞻。适当的习惯用法通常是：(?:(?!-->).)*或者，就您而言(?:(?!-->)[^<>])*这会匹配除尖括号之外的任意数量的字符，直到-->出现或到达字符串的末尾为止。

Answer 2

您需要使用积极的前瞻性，以确保此模式领先于您的比赛。[^<>]+(?=-->)如果要使其更具通用性，使其也与其他标签的内容匹配，则可以在超前断言内使用替代：[^<>]+(?=-->|</)在Regexr上看到它如果前面有“&nbsp;-->”或“&nbsp;</”&nbsp;，则此正则表达式将停止。