正则表达式(Python)从<和>的内部提取文本字符串，例如<string and ><string-2>等

Question

我目前正在处理堆栈溢出数据转储，并试图构造一个简单的正则表达式，从<和>字符中提取标记名。因此，对于每个问题，我都有一个或多个标签的列表，比如<tagone><tag-two>...<tag-n>，并试图只提取一个标签名的列表。下面是从数据转储中获取的几个示例标记字符串：

<javascript><internet-explorer>

<c#><windows><best-practices><winforms><windows-services>

<c><algorithm><sorting><word>

<java>

作为参考，我不需要将标记名划分为单词，因此，对于<best-practices>这样的例子，我想返回best-practices (而不是best和practices)。此外，不管它有什么价值，如果它有任何不同，我都会使用Python。有什么建议吗？

Answer 1

由于Stackoverflow的标记名没有嵌入的< >，所以可以使用regex：

<(.*?)>

或

<([^>]*)>

解释：

• <：文字<
• (..)：对match.
• .*?进行分组和记忆:以匹配非贪婪的way.
• >中的任何内容:文字<
• [^>]：char类与>

以外的任何内容匹配。

Answer 2

与其做数据转储(不管它们是什么)和使用regex，您可能对使用Stackoverflow API和json感兴趣。

例如，要从这个问题中选择标记，可以这样做：

import urllib2
import json
import gzip
import cStringIO

f=urllib2.urlopen('http://api.stackoverflow.com/1.0/questions/3708418?type=jsontext')
g=gzip.GzipFile(fileobj=cStringIO.StringIO(f.read()))
j=json.loads(g.read())

print(j['questions'][0]['tags'])
# [u'python', u'regex']

Answer 3

下面是一个快速而肮脏的解决方案：

#!/usr/bin/python

import re
pattern = re.compile("<(.*?)>")
data = """
<javascript><internet-explorer>

<c#><windows><best-practices><winforms><windows-services>

<c><algorithm><sorting><word>

<java>
"""

for each in pattern.findall(data):
    print each

更新

法定警告：如果数据转储使用的是XML或JSON (正如其中一位用户所评论的)，那么您最好使用合适的XML或JSON解析器。