Python使用re模块匹配所有Page标签内内容的技术问题

嘿，这个问题我太熟悉了！你碰到的是正则表达式里经典的贪婪匹配陷阱——默认情况下，正则会尽可能匹配最长的内容，所以你的代码才会从第一个[Page]一直抓到最后一个[/Page]，把中间的标签也都包含进去了。

修复方案：非贪婪匹配 + 全局查找 #

要提取每个[Page]和[/Page]之间的独立内容，需要做两个关键调整：

1. 把正则的贪婪匹配改成非贪婪匹配，在捕获组的量词后面加?，让正则遇到第一个闭合标签就停止匹配。
2. 使用re.findall()或re.finditer()来全局查找所有匹配项，而不是re.match()（它只匹配字符串开头的内容）。

具体代码实现 #

首先修正你的正则表达式：

import re

# 开启非贪婪模式，去掉不必要的开头锚定^
page_pattern = re.compile(r'\[Page\]([\s\S]*?)\[\/Page\]', re.IGNORECASE)

这里[\s\S]*?的意思是：匹配任意字符（包括换行），但尽可能少匹配（非贪婪），直到遇到第一个[/Page]为止。

然后用findall()直接获取所有匹配的内容：

my_string = "[Page] # asdf [/Page] [Page] # Hello ## Woo [/Page]"
results = page_pattern.findall(my_string)

print(results)
# 输出结果：[' # asdf ', ' # Hello ## Woo ']

如果你需要更详细的匹配信息（比如匹配的位置），可以用finditer()遍历匹配对象：

for match in page_pattern.finditer(my_string):
    content = match.group(1)
    start_pos = match.start()
    end_pos = match.end()
    print(f"匹配到内容：'{content}'，起始位置：{start_pos}，结束位置：{end_pos}")

为什么原来的代码失效？ #

• 你用了^锚定字符串开头，加上re.match()本身只匹配开头，这会导致如果字符串开头不是[Page]就完全匹配不到。
• ([\S\s]*)是贪婪匹配，它会从第一个[Page]开始，一直匹配到最后一个[/Page]才停止，所以会把中间的[/Page] [Page]都包含进去，只返回一组结果。

内容的提问来源于stack exchange，提问作者Shahrukh Mohammad