Python re.findall正则非贪婪匹配失效：Word注释匹配异常咨询

你的正则之所以会误匹配多个注释，核心问题是.*?的非贪婪匹配没有限制范围——它会跨过其他注释的起始/结束标签，一直找到目标w14:paraId属性，导致把多个注释块合并成一个匹配，或者误匹配不含目标ID的注释。

修正后的正则表达式 #

用负向预查限制匹配范围，确保只在单个<w:comment>块内查找目标属性：

pattern = r'<w:comment(?:(?!</?w:comment>).)*?w14:paraId="727F9BCE"(?:(?!</?w:comment>).)*?</w:comment>'

• (?:(?!</?w:comment>).)*?：每匹配一个字符前，先检查它不是<w:comment>或</w:comment>的开头，彻底避免跨注释块匹配。
• 必须配合re.DOTALL参数，让.能匹配换行符（XML注释块通常跨多行）。

实际使用示例 #

import re

# 读取comments.xml内容
with open('comments.xml', 'r', encoding='utf-8') as f:
    xml_content = f.read()

pattern = r'<w:comment(?:(?!</?w:comment>).)*?w14:paraId="727F9BCE"(?:(?!</?w:comment>).)*?</w:comment>'
matches = re.findall(pattern, xml_content, re.DOTALL)

# 输出匹配到的注释
for idx, comment in enumerate(matches, 1):
    print(f"匹配到的第{idx}个注释:\n{comment}\n")

关于XML解析器的补充 #

虽然正则暂时简便，但如果XML结构有嵌套、属性顺序变化或命名空间调整，正则很容易失效。用lxml处理命名空间其实没那么复杂，示例如下：

from lxml import etree

# 定义Word XML的命名空间
ns_map = {
    'w': 'http://schemas.openxmlformats.org/wordprocessingml/2006/main',
    'w14': 'http://schemas.microsoft.com/office/word/2010/wordml'
}

# 解析XML文件
tree = etree.parse('comments.xml')
# 用XPath精准定位带目标paraId的注释
target_comments = tree.xpath('//w:comment[@w14:paraId="727F9BCE"]', namespaces=ns_map)

for comment in target_comments:
    print(etree.tostring(comment, encoding='unicode'))

内容的提问来源于stack exchange，提问作者lalau66