正则表达式在两个字符串（它们是变量）之间提取

Posted 2023-02-23

【中文标题】正则表达式在两个字符串（它们是变量）之间提取

【英文标题】：Regex to extract between two strings (which are variables)

【发布时间】：2015-06-21 18:51:36

【问题描述】：

我希望使用正则表达式来提取出现在两个字符串之间的文本。我知道如果我每次都想在相同的字符串之间提取（以及无数个问题，例如Regex matching between two strings?），但我想使用发生变化的变量来做到这一点，并且它们本身可能包含正则表达式中的特殊字符。 （我想要任何特殊字符，例如 * 被视为文本）。

例如，如果我有：

text = "<b*>Test</b>"
left_identifier = "<b*>"
right_identifier = "</b>

我想创建将导致以下代码运行的正则表达式代码：

re.findall('<b\*>(.*)<\/b>',text)

是<b\*>(.*)<\/b>部分，我不知道怎么动态创建。

【问题讨论】：

您可能需要考虑一个非贪婪的量词：(.*?) 这匹配尽可能少的字符。因此，对于像“left_identifierstuffright_identifier left identifiermore stuffright_identifier”这样的字符串，您只会在两个单独的匹配项中找到“stuff”和“more stuff”，而不是“stuffright_identifier” left identifiermore stuff" 在一场比赛中。

谢谢 - 好地方 - 你是对的 - 我的意思是非贪婪量词！

请注意使用正则表达式解析 html is not recommended。您应该使用 HTML 解析器（无论 Python 中的 Nokogiri 是什么），然后从相应的标签中提取文本。

@Phrogz - 示例已简化 - 通常不基于 html 标签进行解析（尽管需要能够处理它们，因为它们会裁剪到我输入的文本中）。 【参考BeautifulSoup是python中等价的html解析器】。

【参考方案1】：

你可以这样做：

import re
pattern_string = re.escape(left_identifier) + "(.*?)" + re.escape(right_identifier)
pattern = re.compile(pattern_string)

转义函数会自动转义特殊字符。例如：

>>> import re
>>> print re.escape("<b*>")
\<b\*\>

【讨论】：

还请注意(.*?) 而不是(.*)，这是非贪婪捕获。这可能是您想要的。

我尝试使用 "PRIMARY KEY(\n" 作为左侧标识符和 ")" 作为右侧标识符执行上述操作，但对我不起作用。我想从下面获取所有主键： PRIMARY KEY (ROLE_ID) USING INDEX APP_ROLES.SR_PK ENABLE VALIDATE);

【参考方案2】：

你需要re.escape标识符：

>>> regex = re.compile('(.*)'.format(re.escape('<b*>'), re.escape('</b>')))
>>> regex.findall('<b*>Text</b>')
['Text']

【参考方案3】：

正则表达式开始它的生命就像一个字符串，所以left_identifier + text + right_identifier 并在re.compile 中使用它

或者：

re.findall('(.*)'.format(left_identifier, right_identifier), text)

也可以。

如果变量中的字符串包含带有re.escape 的正则表达式元字符，并且您不希望元字符被这样解释，则需要对它们进行转义：

>>> text = "<b*>Test</b>"
>>> left_identifier = "<b*>"
>>> right_identifier = "</b>"
>>> s='(.*?)'.format(*map(re.escape, (left_identifier, right_identifier)))
>>> s
'\\<b\\*\\>(.*?)\\<\\/b\\>'
>>> re.findall(s, text)
['Test']

---

附带说明，str.partition(var) 是执行此操作的另一种方法：

>>> text.partition(left_identifier)[2].partition(right_identifier)[0]
'Test'

【参考方案4】：

我知道您实际上想要一个正则表达式解决方案，但考虑到we all have taken oath not to，我真的想知道正则表达式是否是正确的工具。在解析 html 字符串时，我总是建议回退到beautifulsoup

>>> import bs4
>>> bs4.BeautifulSoup('<b*>Text</b>').text
u'Text'