匹配<content>标记内的每个换行符(\n)的正则表达式

Question

我正在寻找一个正则表达式来匹配<content>标记内的每个换行符(\n)，或者该<content>标记内的任何标记内的每个换行符(例如：

<blog>
<text>
(Do NOT match new lines here)
</text>
<content>
(DO match new lines here)
<p>
(Do match new lines here)
</p>
</content>
(Do NOT match new lines here)
<content>
(DO match new lines here)
</content>

Answer 1

实际上..。在这里不能使用简单的正则表达式，至少不能使用。你可能需要担心评论！有人可能会写道：

<!-- <content> blah </content> -->

您可以在这里采用两种方法：

1. 首先删除所有注释。然后使用正则表达式。
2. 不使用正则表达式，而是使用上下文相关的解析方法，这种方法可以跟踪您是否嵌套在注释中。

注意。

我也不确定你是否可以一次匹配所有的新行。@Quartz建议这样做：

<content>([^\n]*\n+)+</content>

这将匹配所有在结束标记前有换行符的内容标记...但是我不确定你所说的匹配所有换行符是什么意思。是否希望能够访问所有匹配的换行符？如果是这样的话，最好的办法是获取所有内容标签，然后搜索嵌套在其中的所有换行符。更像这样的东西：

<content>.*</content>

但是有一个警告:正则表达式是贪婪的，所以这个正则表达式将匹配第一个开始标记和最后一个结束标记。相反，您必须抑制正则表达式，这样它才不会贪婪。在python这样的语言中，可以使用"?“正则表达式符号。

我希望通过这篇文章，您可以看到一些陷阱，并弄清楚您想要如何继续。使用XML解析库，然后遍历所有内容标记可能会更好。

我知道我可能没有提供最好的解决方案，但至少我希望你能看到其中的困难，以及为什么其他答案可能不正确……

更新1:

让我更多地总结一下，并在我的回答中添加更多细节。我将使用python的regex语法，因为这是我更习惯的语法(请提前原谅我……您可能需要对某些字符进行转义...评论我的帖子，我会更正它)：

要去掉注释，请使用此正则表达式:注意"?“抑制.*以使其非贪婪。

类似地，要搜索内容标记，请使用：.*

此外，您还可以尝试此操作，并使用匹配对象组()访问每个换行符：

<content>(.*?(\n))+.*?</content>

我知道我的越狱已经结束了，但它抓住了我的想法。最后一个例子可能行不通，但我认为这是表达你想要的东西的最佳选择。我的建议仍然是:要么抓取所有的内容标签并自己做，要么使用解析库。

更新2:

下面是应该可以工作的python代码。我仍然不确定你所说的“查找”所有换行符是什么意思。你想要整条线吗？或者仅仅是为了计算有多少换行符。要获得实际的行，请尝试：

#!/usr/bin/python

import re

def FindContentNewlines(xml_text):
    # May want to compile these regexes elsewhere, but I do it here for brevity
    comments = re.compile(r"<!--.*?-->", re.DOTALL)
    content = re.compile(r"<content>(.*?)</content>", re.DOTALL)
    newlines = re.compile(r"^(.*?)$", re.MULTILINE|re.DOTALL)

    # strip comments: this actually may not be reliable for "nested comments"
    # How does xml handle <!--  <!-- --> -->. I am not sure. But that COULD
    # be trouble.
    xml_text = re.sub(comments, "", xml_text)

    result = []
    all_contents = re.findall(content, xml_text)
    for c in all_contents:
        result.extend(re.findall(newlines, c))

    return result

if __name__ == "__main__":
    example = """

<!-- This stuff
ought to be omitted
<content>
  omitted
</content>
-->

This stuff is good
<content>
<p>
  haha!
</p>
</content>

This is not found
"""
    print FindContentNewlines(example)

此程序打印结果：

 ['', '<p>', '  haha!', '</p>', '']

第一个和最后一个空字符串来自紧接在第一个<p>之前和紧跟在</p>之后的换行符。总而言之，这(在很大程度上)起到了作用。尝试使用此代码，并根据您的需要对其进行改进。在中间打印内容，这样您就可以看到正则表达式匹配和不匹配的内容。

希望这能有所帮助:-)。

PS -我没有太多的运气尝试我的正则表达式，从我的第一次更新来捕获所有的换行符…如果你这样做了，请告诉我。

Answer 2

<content>(?:[^\n]*(\n+))+</content>