如何先校验正则再替换？跳过status="two"的元素添加bonus属性

我有大量类似格式的文件，内容示例如下：

<id="1" status="one" group="first" city="CITY" ... > <id="2" status="three" group="first" city="CITY" ... > <id="3" status="two" group="first" city="CITY" ... > <id="4" status="one" group="first" city="CITY" ... >

现在需要遍历所有文件，为除了status="two"之外的所有元素添加bonus="yes"属性，处理后目标效果如下：

<id="1" status="one" bonus="yes" group="first" city="CITY" ... > <id="2" status="three" bonus="yes" group="first" city="CITY" ... > <id="3" status="two" group="first" city="CITY" ... > <id="4" status="one" bonus="yes" group="first" city="CITY" ... >

我已经有一个包含三个捕获组的正则表达式，可以匹配完整的<id="_" status="__" group="___" city="___" ... >格式内容。目前我知道可以通过以下Python代码实现替换，但不知道如何在替换前校验status="two"的情况，跳过这类元素不执行添加操作：

with open(fileName) as currentFile:
    content = (currentFile.read())
content = re.sub(regex, f"\\1 {line_to_add} \\2", content)
with open(fileName, "w") as f:
    f.write(content)

解决方案 #

有两种实用的方法可以实现你的需求，根据你的正则复杂度和后续扩展性来选择即可：

方法1：给正则加负向断言，直接排除status="two"的情况 #

如果你的正则已经能精准捕获元素的各个部分，最简单的方式是修改正则，用负向预查跳过所有status="two"的元素，这样替换操作只会作用在符合要求的元素上。

假设你的原正则是类似这样（捕获status前的片段、status属性本身、以及后面的内容）：

(<id="[^"]+" status=")([^"]+")(.*?>)

那修改后的正则只需要加个(?!two")的负向断言，就能排除status值为two的情况：

(<id="[^"]+" status=")(?!two")([^"]+")(.*?>)

对应的替换代码可以写成这样：

import re

line_to_add = 'bonus="yes"'
# 替换成你修改后的正则
regex = r'(<id="[^"]+" status=")(?!two")([^"]+")(.*?>)'

with open(fileName, 'r') as currentFile:
    content = currentFile.read()

# 只会替换status不是"two"的元素
content = re.sub(regex, r'\1\2 ' + line_to_add + r' \3', content)

with open(fileName, 'w') as f:
    f.write(content)

方法2：用回调函数动态判断，灵活度更高 #

如果你的正则逻辑比较复杂，或者以后可能要加更多判断条件（比如只给特定group的元素加bonus），那用re.sub的回调函数会更合适。回调函数能拿到每个匹配的细节，你可以在里面做逻辑判断，决定要不要替换。

举个例子，假设你的正则捕获了三个组：组1是status属性之前的内容，组2是status属性本身，组3是后面的所有内容，代码可以这么写：

import re

def add_bonus(match):
    # 从捕获组里取出status的值，去掉引号
    status_val = match.group(2).strip('"').split('=')[-1]
    if status_val != 'two':
        # 不是two的话，插入bonus属性
        return f'{match.group(1)} {match.group(2)} bonus="yes" {match.group(3)}'
    else:
        # 是two的话直接返回原内容，不修改
        return match.group(0)

# 替换成你自己的正则
regex = r'(<id="[^"]+" )(status="[^"]+")( .*?>)'

with open(fileName, 'r') as currentFile:
    content = currentFile.read()

# 把回调函数传给re.sub
content = re.sub(regex, add_bonus, content)

with open(fileName, 'w') as f:
    f.write(content)

这个方法的好处是逻辑清晰，后续要加新条件直接改回调函数里的判断就行，不用动正则。

小提醒 #

如果这些文件是标准的XML/HTML，其实更推荐用专门的解析库（比如xml.etree.ElementTree或者BeautifulSoup）来处理，正则虽然快，但遇到嵌套结构或者奇怪的属性格式容易出问题。当然如果你的格式很固定，正则完全够用~

内容的提问来源于stack exchange，提问作者Arthur