正則表達式（Python）從< and >的內部提取文本字符串 - 例如<stringone><string-two>等

Question

我正在玩堆棧溢出數據轉儲，並試圖構造（我想象的是）一個簡單的正則表達式，以從<和>字符中提取標籤名稱。因此，對於每個問題，我有一個或多個標記列表，如<tagone><tag-two>...<tag-n>，並試圖提取標記名稱列表。下面是從數據採取一些例如標籤字符串轉儲：

<javascript><internet-explorer> 

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

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

<java> 

僅供參考，我不需要劃分標籤名稱爲的話，那麼像<best-practices>例子，我想找回best-practices（不是best和practices）。另外，對於它的價值，我使用Python，如果它有任何區別。有什麼建議麼？

Answer 1

由於沒有嵌入<>你可以使用正則表達式＃1的標籤名稱：

<(.*?)> 

或

<([^>]*)> 

說明：

• <：一個文字<
• (..)：分組並記住 匹配。
• .*?：以非貪婪的方式匹配 中的任何內容。
• >：一個文字<
• [^>]：一個字符類來匹配其他 什麼比一個>

Answer 2

這裏是一個快速和骯髒的解決方案：

#!/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：如果數據轉儲使用XML或JSON（作爲其中一個用戶評論），那麼使用合適的XML或JSON解析器會更好。

Answer 3

而不是做數據轉儲（不管他們是什麼）和使用正則表達式，你可能有興趣使用Stackoverflow API和json代替。

例如，從這個問題剔除標籤，你可以這樣做：

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']