Python正则匹配workorder标签被内部右尖括号提前截断问题求解

问题原因 #

你当前使用的正则存在两个核心问题：

1. 非贪婪匹配.*?会在遇到第一个>时就终止，不会区分这个>是在属性内部还是标签结束位
2. 末尾的$强制匹配行尾，限制了不同闭合格式的适配性

解决方法 #

正确正则表达式（Python环境）

\s*(<workorder(?:[^">]|"[^"]*")*?\/?>)\s*

仅需开启单行/DOTALL模式即可，不需要开启多行模式。

正则逻辑说明

• \s*：匹配标签前的任意空白字符（空格、换行、制表符均可，兼容标签前有缩进的情况）
• <workorder：匹配workorder标签的开头
• (?:[^">]|"[^"]*")*?：非捕获组，循环匹配两类内容，直到遇到标签结束符：
  • [^">]：匹配既不是双引号也不是>的任意字符
  • "[^"]*"：匹配一对双引号包裹的所有内容，会跳过属性值内部的所有<、>等符号，不会误判结束位
  • 非贪婪模式*?保证找到第一个符合要求的结束符就停止
• \/?>：匹配标签结束符，兼容普通闭合>和自闭合/>两种格式

适配性说明 #

该正则可以覆盖你提到的所有三种数据格式：

• 末尾>紧邻双引号的场景
• 末尾>紧邻斜杠的自闭合场景
• 斜杠和>单独占一行的场景

匹配结果的第一个捕获组就是完整的workorder开始标签内容。

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