如何使用正则表达式仅匹配<>标签内的空白字符并替换为下划线

实现思路 #

要精准达成需求，首先要划清处理边界：

• 只处理被<和>包裹的标签片段范围内的空白
• 标签外的正文文本（比如示例里 Moscow and Miami 这类内容）完全不参与匹配替换，从根源上避免误伤
• 标签范围内的空白统一替换为下划线，示例里的闭标签本身没有内部空格，不会出现误改

具体规则写法 #

通用环视匹配版 #

适配大多数现代正则引擎（Python、Java、最新版JS、Go等），匹配正则为：
(?<=<[^<>]*)\s(?=[^<>]*>)

规则拆解：

• (?<=<[^<>]*) ：后置环视，确认当前匹配的空白，往前追溯最近的尖括号是<，说明空白在标签内部起始位置之后
• \s ：匹配单个空白，如果要把连续多个空白合并成一个下划线，可以把该段替换为\s+
• (?=[^<>]*>) ：前置环视，确认当前匹配的空白，往后追溯最近的尖括号是>，说明空白还没到标签的结束位置
  这个规则匹配到的所有空白，都严格处于标签内部，把匹配到的内容直接替换为_，就能得到目标效果：
  <ENAMEX_TYPE="GPE">Moscow and Miami</ENAMEX> are good, but <ENAMEX_TYPE="GPE">New York is better</ENAMEX>
  标签正文里的所有空格，因为往前找最近的尖括号是>，不符合后置环视的条件，完全不会被匹配改动。

高兼容捕获分组版 #

如果碰到不支持变长后置环视的老旧正则引擎，就用整标签捕获的写法，兼容性更好：

• 用正则<[^>]+>把所有标签块整体匹配出来
• 对每个匹配到的标签块，把块内部的空白全部替换为下划线
• 和未改动的正文拼接得到最终结果
  Python环境下的实际运行代码示例：

import re
source_str = '<ENAMEX TYPE="GPE">Moscow and Miami</ENAMEX> are good, but <ENAMEX TYPE="GPE">New York is better</ENAMEX>'
# 匹配所有标签块，逐块处理内部空白
final_str = re.sub(
    r'<[^>]+>',
    lambda m: m.group().replace(' ', '_'),
    source_str
)
print(final_str)

运行输出结果和上面的环视版本完全一致。

适用说明 #

这个方案默认标签内部没有嵌套尖括号，和题目给出的示例场景完全匹配；如果标签内容本身包含尖括号结构，只需要调整标签块的匹配范围规则即可适配。

内容的提问来源于stack exchange，提问作者Dalireeza