如何用re.findall提取标记间字符串并排除指定内容？

问题详情 #

• 给定字符串：

  txt='thisis a red picture;thisis a yellow picture;thisis a good picture haha picture;thisis a bad picture haha picture;'
  

• 当前使用代码：

  import re
  mycode=re.findall('thisis(.+?)picture',txt,re.DOTALL)
  

• 当前输出结果：
  [' a red ', ' a yellow ', 'a bad',' a good ']
• 期望输出结果：
  [' a red ', ' a yellow ']
• 核心要求：
  1. 提取thisis与picture之间的文本，但排除包含a good或a bad的匹配项
  2. 必须使用re.findall方法

解决方法 #

利用正则的负向前瞻断言过滤不符合条件的匹配，修改后的代码如下：

import re
txt='thisis a red picture;thisis a yellow picture;thisis a good picture haha picture;thisis a bad picture haha picture;'
# 带负向前瞻的正则，排除含a good/a bad的情况
matches = re.findall(r'thisis(?!.*(a good|a bad))(.+?)picture', txt, re.DOTALL)
# 提取捕获组中的目标内容
final_result = [match[0] for match in matches]
print(final_result)

正则逻辑说明 #

• (?!.*(a good|a bad))：负向前瞻规则，确保thisis后续的文本里不包含a good或a bad，直接过滤掉这类不符合要求的匹配
• (.+?)：非贪婪匹配模式，精准捕获thisis到最近的picture之间的文本
• 由于re.findall会返回所有捕获组的结果，所以最后需要从每个元组中提取第一个元素，就是我们要的目标文本

运行代码后，输出结果即为期望的：[' a red ', ' a yellow ']

内容的提问来源于stack exchange，提问作者Michael Chen