正則表達式拆分詞組的話，卻忽略標籤

Question

我需要短語拆分單詞內的空間，但是定義標籤 中忽略的文本例如

輸入

<i>111 111 111</i> 222 333 444 <i>555 666</i> 888 999 <i>000 111</i> 

輸出

<i>111 111 111</i> 
222 
333 
444 
<i>555 666</i> 
888 
999 
<i>000 111</i> 

Answer 1

試試這個：

/<i>[\d\s]*<\/i>|\d+/g 

說明：

• 對於<i>標記中的字符串，空格和數字都將包含在匹配中。
• 不在標籤內的字符串不能包含空格，所以它們將被限制爲數字字符串。
• 的|交流發電機短路，所以它可以確保<i>111 222 333</i>將被視爲單個單元，不分離到111，222，和333。

在測試了Regexr這裏，正常工作：http://regexr.com?2uf6j

Answer 2

如何在空間拆分只要而隨後的<後面沒有斜槓？

>>> import re 
>>> test = "<i>111 111 111</i> 222 333 444 <i>555 666</i> 888 999 <i>000 111</i>" 
>>> split = re.compile(" (?![^<]*</)") 
>>> split.split(test) 
['<i>111 111 111</i>', '222', '333', '444', '<i>555 666</i>', '888', '999', '<i>000 111</i>'] 

如果標籤可以嵌套，但（這是有原因的正則表達式是不是非常適合這類問題），這將失敗。