Python最短正则匹配（.*?）未达预期结果，求技术指导

我一眼就看出问题出在哪了——你的正则表达式虽然用了非贪婪匹配.*?，但它还是会从第一个<TIMEX3开始匹配，一直延伸到包含24 hours的那个</TIMEX3>标签结束，把中间一大段内容全给覆盖了！

为什么会这样？ #

.*?是非贪婪匹配没错，但它只是尽可能少地匹配字符，可它的匹配范围并没有被限制在单个<TIMEX3>标签内。在你的文本里，第一个<TIMEX3>标签之后，直到第二个</TIMEX3>之前的所有内容，都会被.*?匹配到，所以整个被替换的部分其实是：

<TIMEX3 tid="t4" type="DATE" value="2013-03-21">the 90 years</TIMEX3> since Rebecca Felton of Georgia became the first woman in the United States Senate - sworn in for a mere <TIMEX3 tid="t5" type="DATE" value="2013-03-21">24 hours</TIMEX3>

替换成24 hours后，自然就只剩下In 24 hours - women remain an anomaly in the upper chamber.了。

正确的正则写法 #

要解决这个问题，你需要限制<TIMEX3>标签的匹配范围，确保只匹配到包含24 hours的那个标签。把正则里的.*?换成[^>]*即可——[^>]*表示匹配除了>`之外的任意字符，这样就不会跨标签匹配了：

import re

text = 'In <TIMEX3 tid="t4" type="DATE" value="2013-03-21">the 90 years</TIMEX3> since Rebecca Felton of Georgia became the first woman in the United States Senate - sworn in for a mere <TIMEX3 tid="t5" type="DATE" value="2013-03-21">24 hours</TIMEX3> - women remain an anomaly in the upper chamber.'
result = re.sub(r"<TIMEX3[^>]*>24 hours</TIMEX3>", "24 hours", text)
print(result)

输出结果 #

In <TIMEX3 tid="t4" type="DATE" value="2013-03-21">the 90 years</TIMEX3> since Rebecca Felton of Georgia became the first woman in the United States Senate - sworn in for a mere 24 hours - women remain an anomaly in the upper chamber.

完美符合你的预期！

内容的提问来源于stack exchange，提问作者Barun Patra