如何用Python正则匹配<system>标签外的abc0/abc1/abc2内容

该需求可以通过Python re 模块实现，非嵌套标签场景下无需引入额外解析库。

核心思路 #

• 利用正则交替匹配的优先级规则，优先匹配完整的<system>起始标签、标签内部内容、结束标签整体，匹配到该部分时直接消耗对应字符，不做捕获
• 前序分支未匹配到的内容即为标签外部的文本，在这部分内容中匹配目标字符串abc0/abc1/abc2即可
• 该方案避开了复杂的前后位置断言，可适配标签属性中包含目标字符串、标签跨多行等边界场景

测试样例 #

待匹配原始字符串：

abc0<system id="101" display-name="abc1">abc1</system>abc1<system id="101" display-name="abc2">abc2</system>abc2

预期匹配结果（仅标签外内容）：开头的abc0、第一个标签闭合后的abc1、末尾的abc2，标签属性内、标签包裹的abc1/abc2均不纳入匹配结果。

可运行代码 #

import re

raw_text = 'abc0<system id="101" display-name="abc1">abc1</system>abc1<system id="101" display-name="abc2">abc2</system>abc2'
# 正则规则：前半段匹配完整system标签跳过，后半段捕获目标abc序列
regex = r'<system[^>]*>.*?</system>|(abc[012])'

# 若标签可能跨多行，添加re.DOTALL标志
result = [
    match.group(1)
    for match in re.finditer(regex, raw_text, flags=re.DOTALL)
    if match.group(1) is not None
]

print(result)
# 输出: ['abc0', 'abc1', 'abc2']

边界说明 #

• 该方案仅适用于<system>标签无嵌套的场景，绝大多数常规标记文本场景都满足该前提
• 如果需要匹配其他标签外的内容，只需将正则第二个捕获组内的abc[012]替换为对应匹配规则即可
• 如果待处理文本存在标签嵌套、标签不闭合等复杂情况，不要使用正则，改用lxml、BeautifulSoup等结构化解析库处理。

内容的提问来源于stack exchange，提问作者Get It Done