Python正则表达式替换问题：为何<t>的起始<字符丢失？

原始代码 #

import re
contents="""<tag>
</tag><t>text</t>"""

shorted= re.sub(r'(?s)<tag>.*?</tag>[^\w\s]*', '', contents).replace('\n', '')
print(shorted)
print()

执行结果与预期差异 #

• 实际执行输出：

  t>text</t>
  

• 预期输出：<t>text</t>（转义后为<t>text</t>）
• 问题：<t>的起始<字符丢失

原因分析 #

问题出在正则表达式的[^\w\s]*部分：

• [^\w\s]表示匹配任意非字母数字、非空白的字符，*表示匹配0次或多次
• 目标字符串中</tag>后面紧跟的是<t>的<，这个<属于非字母数字、非空白字符，因此被[^\w\s]*匹配到，和前面的<tag>...</tag>一起被替换为空字符串，最终导致<t>的起始<被删除。

修复思路 #

可以调整正则表达式避免误匹配<：

• 方案1：将[^\w\s]*改为[^\w\s<]*，排除<的匹配：

  shorted= re.sub(r'(?s)<tag>.*?</tag>[^\w\s<]*', '', contents).replace('\n', '')
  

• 方案2：如果仅需去除</tag>后的空白/换行，直接用\s*替代[^\w\s]*更精准：

  shorted= re.sub(r'(?s)<tag>.*?</tag>\s*', '', contents).replace('\n', '')
  

内容的提问来源于stack exchange，提问作者Rec