正则表达式挑战：利用正则剥离标签提取目标文本

嘿，咱们来搞定这个正则需求！你要从INICIO和FIM之间的内容里剥掉所有标签，最后整理成TEXTO1|TEXTO2|TEXTO3 e TEXTO4|TEXTO5|TEXTO6的格式，用1到2个正则就能搞定，下面给你两种实用方案：

方案一：两步正则（清晰易维护） #

这个方案先精准提取目标区间，再剥离标签，最后整理格式，逻辑一目了然：

1. 提取INICIO与FIM之间的内容
   用这个正则捕获区间内的所有内容（包括换行），避免误匹配区间外的内容：

(?<=INICIO)([\s\S]*?)(?=FIM)

• (?<=INICIO)：正向预查，确保匹配的内容紧跟在INICIO之后
• ([\s\S]*?)：非贪婪匹配任意字符（包括换行），防止超出FIM的范围
• (?=FIM)：正向预查，确保匹配的内容紧邻FIM之前

2. 剥离所有HTML/XML标签
   对第一步捕获到的内容，用这个正则匹配所有标签并替换为空字符串：

<[^>]+>

• <[^>]+>：匹配所有以<开头、>结尾的内容，覆盖所有类型的标签（包括带属性的XML标签）

3. 整理成|分隔的格式
   剥离标签后，清理多余的空格/换行，把独立的有效文本块用|连接（比如TEXTO3 e TEXTO4会保留为一个完整块，不会被拆分）。

方案二：一步正则配合逻辑处理（简洁高效） #

如果想合并步骤，可以直接提取区间内所有被标签包裹的非空文本，再拼接成目标格式：

(?<=INICIO)(?:<[^>]*>([^<]+)<[^>]*>)+(?=FIM)

这个正则会直接捕获所有标签内的有效文本，你只需要把捕获到的非空文本用|拼接即可，省去单独剥离标签的步骤。

示例代码（Python） #

import re

# 待处理的完整文本
raw_text = "INICIO<aaa>TEXTO1</aaa><bbb></bbb> <?xml:proriety>TEXTO2</xml:proriety=\"atribute\"> <aaa>TEXTO3 e TEXTO4</aaa> <ccc>TEXTO5</ccc> <ddd>TEXTO6</ddd> FIM"

# 方案一实现
# 1. 提取区间内容
interval_content = re.search(r'(?<=INICIO)([\s\S]*?)(?=FIM)', raw_text).group(1)
# 2. 剥离所有标签
stripped_content = re.sub(r'<[^>]+>', '', interval_content)
# 3. 清理空白并拼接成目标格式
clean_blocks = [block.strip() for block in re.split(r'\s{2,}', stripped_content.strip()) if block]
result = '|'.join(clean_blocks)

# 方案二实现
tagged_texts = re.findall(r'<[^>]*>([^<]+)<[^>]*>', interval_content)
result_alt = '|'.join([text.strip() for text in tagged_texts if text.strip()])

print(result)       # 输出：TEXTO1|TEXTO2|TEXTO3 e TEXTO4|TEXTO5|TEXTO6
print(result_alt)   # 输出同样结果

注意：如果你的待处理文本存在复杂嵌套标签，可能需要调整正则逻辑，但根据你提供的示例片段，上面的方案完全适用。

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