同一正则表达式中的两个不贪婪模式不匹配最短的子字符串

Question

我正在尝试在不使用 xml 库的情况下删除周围的 xml 标签，只使用正则表达式：

s="<tr></tr><tr><td>stuff</td></tr><tr></tr>"
print re.sub(r'<tr>.*?stuff.*?</tr>',r'stuff_without_first_bounding_tr',s)

它打印：

stuff_without_first_bounding_tr<tr></tr>

我期待：

<tr></tr>stuff_without_first_bounding_tr<tr></tr>

我用了.*？两次，都应该是不贪婪的（应该采取最短的解决方案）为什么只有第二个是不贪婪的？我应该使用什么正则表达式？

Answer 1

您需要使用否定的前瞻断言。

>>> s="<tr></tr><tr><td>stuff</td></tr><tr></tr>"
>>> re.sub(r'<tr>(?:(?!</?tr>).)*stuff(?:(?!</?tr>).)*</tr>',r'stuff_without_first_bounding_tr',s)
'<tr></tr>stuff_without_first_bounding_tr<tr></tr>'

(?:(?!</?tr>).)*首先检查要匹配的字符是否不是<符号，后跟可选的正斜杠和tr>。如果是，那么它将匹配相应的字符。我们都知道*重复上一个令牌零次或多次，因此在匹配每个字符之前将检查条件(?:(?!</?tr>).)*。如果特定字符未能满足条件，则匹配将失败。