如何提取input.txt中<abc data="CS1">下的new与info属性值？

核心思路是先精准定位到<abc data="CS1">与对应闭合标签</abc>之间的内容区块，再在这个范围内提取目标<number>标签的属性值，避免提取到其他<abc>标签下的内容。

修改后的代码示例 #

import gzip
import re

def extract_cs1_numbers(input_path, output_path):
    # 读取压缩文件（如果input.txt未压缩，替换为普通open即可）
    with gzip.open(input_path, 'rt', encoding='utf-8') as f:
        content = f.read()
    
    # 匹配所有<abc data="CS1">到对应</abc>的内容区块
    cs1_block_re = re.compile(r'<abc data="CS1">(.*?)</abc>', re.DOTALL)
    cs1_content_blocks = cs1_block_re.findall(content)
    
    # 定义匹配<number>标签new和info属性的正则
    number_attr_re = re.compile(r'<number new="([^"]+)" info="([^"]+)"')
    
    extracted_data = []
    for block in cs1_content_blocks:
        # 在每个CS1专属区块内提取属性值
        matches = number_attr_re.findall(block)
        extracted_data.extend(matches)
    
    # 将结果写入输出文件
    with open(output_path, 'w', encoding='utf-8') as f:
        for new_val, info_val in extracted_data:
            f.write(f"new: {new_val}, info: {info_val}\n")

# 执行提取
extract_cs1_numbers('input.txt.gz', 'output.txt')

关键修改说明 #

• 先锁定目标区块：使用re.DOTALL参数让正则的.能匹配换行符，确保跨行的<abc>标签内容也能被完整捕获；非贪婪模式.*?避免误匹配到其他<abc>标签的闭合部分。
• 精准匹配属性值：用[^"]+代替通用的.*?匹配属性值，避免因属性值内存在特殊字符（如转义引号）导致的匹配错误，提升正则的稳定性。
• 适配非压缩文件：如果你的input.txt没有用gzip压缩，直接把gzip.open替换为普通的open即可。

内容的提问来源于stack exchange，提问作者V_S