如何替换正则匹配的特定模式首尾字符，修复hocr转PDF的XML错误

问题场景 #

我有一份Google Document AI生成的长HOCR格式XML文本，示例片段如下：

<span class='ocrx_word' id='word_1_21_0_1_0' title='bbox 409 912 417 927'>&lt;</span><span class='ocrx_word' id='word_1_21_0_1_1' title='bbox 416 911 446 925'>&lt;forest&gt;...

将其转换为可搜索PDF时，PDF库会把<forest>这类被<>包裹的文本当成损坏的XML元素报错，需要把这类内容替换为XML转义形式（比如<forest>→<forest>）。

已经用正则表达式(?!<(div|span|/span).*>)(<.*>)匹配到目标内容（排除合法的<span>、</span>标签），现在需要仅修改匹配内容的首尾字符，保留中间文本不变。

解决方法 #

1. 优化正则捕获组 #

调整正则表达式，把匹配内容拆分为开头的<、中间文本、**结尾的>**三个捕获组，确保精准定位需要修改的部分：

(?!<(div|span|/span)\b.*>)(<)([^>]+)(>)

• (?!<(div|span|/span)\b.*>)：负向预查，跳过合法的<div>、<span>、</span>标签
• (<)：捕获组1，匹配目标内容的开头<
• ([^>]+)：捕获组2，匹配<和>之间的所有文本
• (>)：捕获组3，匹配目标内容的结尾>

2. 替换规则 #

使用捕获组引用，将捕获组1替换为<，捕获组3替换为>，保留捕获组2的原始文本：

<$2>

3. 工具实现示例 #

Python代码

import re

# 示例HOCR内容
hocr_content = """<span class='ocrx_word' id='word_1_21_0_1_0' title='bbox 409 912 417 927'>&lt;</span><span class='ocrx_word' id='word_1_21_0_1_1' title='bbox 416 911 446 925'>&lt;forest&gt;...</span>"""
# 正则模式
pattern = r"(?!<(div|span|/span)\b.*>)(<)([^>]+)(>)"
# 执行替换
processed_content = re.sub(pattern, r"&lt;\2&gt;", hocr_content)
print(processed_content)

Linux/macOS sed命令

sed -E 's/(?!<(div|span|\/span)\b.*>)(<)([^>]+)(>)/\&lt;\2\&gt;/g' input.hocr > output.hocr

内容的提问来源于stack exchange，提问作者kang