如何用Python正则表达式查找不含特定标签模式的子串集合？

问题背景 #

处理带颜色标签的文本，规则如下：

• [XXXXXX] 是RGB颜色头部标签（6位字符）
• [-] 是颜色结束的尾部标签
• 合法标签对是头部标签+内容+尾部标签，内容里不能包含其他头部标签；存在头部标签无对应尾部标签的情况（如示例中的[000000]）

示例文本：

[000000]I am a [FFFFFF]boy[-], and my name is [ABABAB][James][-]

需要提取的合法标签对内容是：boy（对应标签[FFFFFF]和[-]）、[James]（对应标签[ABABAB]和[-]）

原代码及错误结果 #

原正则表达式尝试匹配标签对，但错误地将其他头部标签包含到内容中：

import re

p_general_tag = re.compile('(\[\S{6}\])(.+?)(\[\-\])')
text = "[000000]I am a [FFFFFF]boy[-], and my name is [ABABAB][James][-]"

matched_texts = p_general_tag.findall(text)

print(matched_texts)

错误输出：

[('[000000]', 'I am a [FFFFFF]boy', '[-]'), ('[ABABAB]', '[James]', '[-]')]

可以看到第一个匹配的group2包含了[FFFFFF]这个头部标签，不符合需求。

修正方案 #

问题出在原正则的(.+?)会匹配任意字符（包括头部标签），需要修改为匹配不包含头部标签的内容。可以用负向预查来限制内容里不能出现[XXXXXX]格式的头部标签：

修正后的代码：

import re

# 使用负向预查，确保内容中不包含新的RGB头部标签
p_general_tag = re.compile(r'(\[\S{6}\])(((?!\[\S{6}\]).)+?)(\[\-\])')
text = "[000000]I am a [FFFFFF]boy[-], and my name is [ABABAB][James][-]"

matched_texts = p_general_tag.findall(text)

# 提取需要的组（group1是头部标签，group2是内容，group4是尾部标签）
result = [(item[0], item[1], item[3]) for item in matched_texts]
print(result)

输出结果：

[('[FFFFFF]', 'boy', '[-]'), ('[ABABAB]', '[James]', '[-]')]

正则规则解释 #

• (\[\S{6}\])：匹配RGB头部标签（6位非空白字符包裹在[]中）
• ((?!\[\S{6}\]).)+?：负向预查，确保每一个字符之前都不是RGB头部标签的起始，+?非贪婪匹配直到遇到[-]
• (\[\-\])：匹配尾部结束标签

这样就能确保匹配到的内容里不会包含其他头部标签，只提取合法的标签对包裹的内容。

内容的提问来源于stack exchange，提问作者kangbok