Python正则匹配指定连续词（允许XML标签/标点间隔）并获取索引

核心思路 #

要满足需求，正则需实现以下核心逻辑：

• 支持匹配含Unicode字符、标点的目标词
• 允许目标词前后出现空格、标点、XML标签
• 两词之间仅允许空格、标点、XML标签，不能有其他单词或无关文本
• 定位最后一次匹配的第二个词的结束索引，用于插入自定义标签

正则表达式构造 #

基于需求构造的正则及封装函数如下：

import re

def find_last_word2_end(word1, word2, text):
    # 转义目标词，避免特殊字符被解析为正则元字符
    escaped_word1 = re.escape(word1)
    escaped_word2 = re.escape(word2)
    
    # 定义允许出现的内容：空格、Unicode标点/符号、任意XML标签
    allowed_content = r'(?:\s|[\p{P}\p{S}]|<[^>]+>)*'
    # 组合完整正则模式
    pattern = re.compile(
        fr'{allowed_content}{escaped_word1}{allowed_content}({escaped_word2}){allowed_content}',
        re.DOTALL | re.VERBOSE
    )
    
    # 查找所有匹配结果，取最后一个
    matches = list(pattern.finditer(text))
    if matches:
        # 返回第二个词的结束索引（捕获组1的结束位置）
        return matches[-1].end(1)
    return -1

代码示例与验证 #

以用户提供的参数和文本为例：

word_1 = 'وتعالی'
word_2 = ':'
string = '''<Hadith><Document> قال:</Document> و سأله<Person> الحسین بن أسباط</Person> - و أنا أسمع - عن الذبیح <Prophet> إسماعیل</Prophet> أو<Prophet> إسحاق</Prophet> ؟ فقال:«<Prophet> إسماعیل</Prophet> ، أما سمعت قول الله تبارک و تعالی:«<Ayah WordIndex="۱-۲" Soreh="۳۷" Name="الصافات" Ayah="۱۱۲" AyahList="۱۱۲"> و بشرناه </Ayah> » «<Ayah WordIndex="۳-۳" Soreh="۳۷" Name="الصافات" Ayah="۱۱۲" AyahList="۱۱۲"><Prophet> بإسحاق</Prophet> </Ayah> » .</Hadith>
فقال : « إسماعیل ، أما سمعت قول الله
تبارک وتعالی : '''

# 获取第二个词的结束索引
end_idx = find_last_word2_end(word_1, word_2, string)
if end_idx != -1:
    # 在目标位置插入自定义XML标签
    new_string = string[:end_idx] + '<custom_tag>' + string[end_idx:]
    print(new_string)
else:
    print("未找到符合条件的匹配")

正则关键细节说明 #

• [\p{P}\p{S}]：匹配所有Unicode标点和符号，覆盖多语言场景（如阿拉伯语标点）
• <[^>]+>：匹配任意XML标签（包括带属性、自闭合的标签）
• (?:...)：非捕获组，用于分组匹配规则但不生成额外捕获结果，提升匹配效率
• re.escape()：对目标词进行转义，处理含正则元字符的情况（如示例中的冒号:）
• re.DOTALL：让正则支持多行文本匹配（匹配换行符）
• re.VERBOSE：允许正则添加注释，提升可读性

规则验证 #

• 符合匹配的场景：<xml>وتعالی</xml> : → 两词间为XML标签，属于允许内容，会被匹配
• 不符合匹配的场景：وتعالی الی صتیدشنتد : → 两词间存在其他阿拉伯语单词，不属于允许内容，不会被匹配
• 英文示例场景：hello<xml></xml>:（假设word1=hello，word2=:）→ 符合规则会被匹配；若为hello: there:，因两词间存在无关单词there`，不会被匹配

原尝试正则的问题 #

1. 第一个正则强制要求目标词被XML标签包裹，且限制中间只能是标签，不符合“词前后可出现空格/标点”的需求
2. 第二个正则颠倒了word1和word2的顺序，且同样强制词在标签内，完全不符合匹配逻辑

内容的提问来源于stack exchange，提问作者Mostafa Kooti