python - 使用正则表达式取消标记不会捕获嵌套标签

Question

熟悉 Python 3.4 的 re模块中，我编写了一个函数，旨在删除 XML 标签。我想让它递归以供替代使用:

def detag(text,opentag='<',closetag='>'):
    t1 = re.escape(opentag)
    t2 = re.escape(closetag)
    regex = t1 + '+.*?' + t2 + '+'
    result = re.search(regex,text)
    if result:
        text=text[:result.start()] + text[result.end():]
        text = detag(text,opentag,closetag)
    return text

问题是该函数没有很好地“配对”标签。例如:

>>> detag('a<b<c>d>e')
'ad>e'

我想要的输出是“ae”(因为这些字母没有被打开/关闭标签包围)，但似乎外部打开标签与内部关闭标签匹配。我很好奇如何重写该函数以从 detag('a<b<c>d>e') 获得所需的输出，并且仍然能够从多个内联和嵌套/双标记获得相同类型的输出:

>>> detag('a<b>c<d>e')
'ace'
>>> detag('a<<b>>c')
'ac'
>>> detag('a<b>c<<d>>e')
'ace'

上述示例目前正在按预期工作。重申一下，不应返回打开标记和关闭标记之间的任何内容。

Answer 1

如果您使用regex package ，这个recursive pattern可以工作:

<(?:[^><]|(?R))*>

在 (?R) 或 (?0) 处，模式从头开始粘贴。请参阅test at regex101.com

<小时/>

由@noshelter添加:根据此信息，该功能可以调整如下...

def detag(text,opentag='<',closetag='>'):
    t1 = regex.escape(opentag)
    t2 = regex.escape(closetag)
    re = regex.compile(t1 + '(?:[^' + t2 + t1 + ']|(?R))*' + t2)
    result = re.sub('',text)
    return result