如何使用re.split()处理含复杂捕获组的字符串分割？

问题出在re.split的特性：如果正则里包含多个捕获组，所有捕获组的匹配结果都会被加入分割后的列表。你写的r'(<(.+?)>.+?</\2>)'有两个捕获组：

• 捕获组1：整个标签内容（比如<t>XXX</t>）
• 捕获组2：标签名（比如t）
  所以split结果里会多出标签名的内容。

两种可行解决方案： #

方案1：过滤split结果

直接用你原来的正则，之后过滤掉多余的捕获组内容：

import re

s = 'foo <t>XXX</t> bar'
result = re.split(r'(<(.+?)>.+?</\2>)', s)
# 过滤掉索引为2、5、8...的元素（多余的标签名捕获组）
filtered_result = [item for idx, item in enumerate(result) if idx % 3 != 2]
print(filtered_result)  # 输出: ['foo ', '<t>XXX</t>', ' bar']

方案2：手动分割（推荐）

用re.finditer找到所有标签，手动构建分割后的列表，避免多余内容：

import re

s = 'foo <t>XXX</t> bar <abc>YYY</abc> baz'
parts = []
last_pos = 0
# 匹配任意成对的标签，捕获整个标签内容
for match in re.finditer(r'<(.+?)>.+?</\1>', s):
    start, end = match.span()
    # 添加标签前的文本
    parts.append(s[last_pos:start])
    # 添加标签内容
    parts.append(match.group())
    last_pos = end
# 添加最后一段文本
parts.append(s[last_pos:])
print(parts)  # 输出: ['foo ', '<t>XXX</t>', ' bar ', '<abc>YYY</abc>', ' baz']

这样就能得到你想要的分割结果，同时支持任意标签名的成对匹配。

内容的提问来源于stack exchange，提问作者Fisher Man