如何用Python从有效的<document>标签对中提取文本？

嘿，我明白你的问题了——你的文本里有好几个<document>起始标签，但只有一个闭合的</document>，现在用正则提取的时候，会把从第一个<document>开始到闭合标签的所有内容都抓出来，这显然不是你想要的有效配对内容对吧？

给你两个简单的解决办法，都能精准拿到最后一个<document>和</document>之间的文本：

方法一：调整正则表达式（精准匹配最后一对标签） #

我们可以用负向前瞻来确保匹配的是最后一个<document>标签，这样就不会把前面未闭合的标签内容也带进来：

import re

with open('data.txt', 'r') as f:
    text = f.read()

# 匹配最后一个<document>到</document>之间的内容
match_result = re.search(r"<document>(?!.*<document>)(.*?)</document>", text, re.DOTALL)
if match_result:
    # 提取内容并去除首尾空白
    extracted_text = match_result.group(1).strip()
    print(extracted_text)

这里的(?!.*<document>)是关键，它会检查当前<document>之后再也没有其他<document>标签了，这样就精准定位到了那个有闭合标签的有效起始标签。

方法二：用字符串分割（更直观易读） #

如果觉得正则有点绕，用字符串分割的方法更简单，毕竟你也说了不会有嵌套标签：

with open('data.txt', 'r') as f:
    text = f.read()

# 按<document>分割文本，取最后一段（也就是最后一个<document>后面的内容）
after_last_document = text.split("<document>")[-1]
# 再按</document>分割，取前面的部分就是我们要的内容
extracted_text = after_last_document.split("</document>")[0].strip()
print(extracted_text)

这个思路很直接：先把文本切成以<document>为分隔的片段，最后一段肯定是从最后一个<document>开始的内容，再把这段里</document>之前的部分拿出来就好。

为啥你之前的正则会失效呢？因为你用的.*?是非贪婪匹配，但它还是会从第一个<document>开始匹配，直到找到第一个</document>，所以会把中间额外的<document>和内容都包含进去。上面两种方法都能完美解决这个问题，选你觉得顺手的就行～

备注：内容来源于stack exchange，提问作者nohardfeelings