在Python 3中删除两个指定字符串之间的字符串

我正在从事一个 NLP 项目，该项目要求我从一段文本中删除计算机代码。代码包含在标签 <pre><code> 和 </code></pre> 之间。现在我可以做一个简单的正则表达式匹配，但我想概括这个函数，以便它可以删除任何两个指定字符串之间的文本，即使它们是嵌套的。 例如，如果我有一个字符串：

string = "<pre><code> Should be deleted <pre><code> also deleted </code></pre> delete this too </code></pre> don't delete <pre><code> delete </code></pre> "

，那么我期望输出为字符串 " don't delete "

如果我这样做 re.sub('(<pre><code>)(.*)(</code></pre>)', '', string) ，它会给我一个空字符串。

我知道如何对单个字符执行此操作，例如删除大括号之间的字符串。例如，如果我的字符串是 string = "{ Should be deleted { also deleted } delete this too } don't delete { delete } " ，那么这样做会给我所需的输出：

a = '{'
b = '}'
regexp = a +  '[^' +a + '^' + b + ']*' + b

while a in string or b in string:
  string = re.sub(regexp, '', string)

regexp 评估到 '{[^{^}]*}' 此处。 while 循环是必要的，因为像 re.sub(r'{[^{^}]*}', '', string) 这样的解决方案不适用于嵌套情况。

我尝试通过执行 re.sub('(<pre><code>)[^(</code></pre>)^(<pre><code>)](</code></pre>)', '', string) 应用与单字符情况相同的逻辑，但它会产生输出： "<pre><code> Should be deleted <pre><code> also deleted </code></pre> delete this too </code></pre> don't delete <pre><code> delete </code></pre> " 这意味着没有任何内容匹配。

你几乎做到了！问题在于正则表达式的贪婪匹配行为。让我们将其分解：

1. 贪婪匹配： (.*) 会尽可能多地匹配任何字符（包括换行符），这会导致它匹配第一个 <pre><code> 到最后一个 </code></pre> 之间的所有内容，包括嵌套的标签。

2. 非贪婪匹配： 要解决这个问题，你需要使用非贪婪匹配。在量词（如 * 、 + 或 ? ）后面添加 ? 可以使其成为非贪婪的。所以，你需要将 (.*) 改为 (.*?) 。

以下是更新后的代码：

import re

string = "<pre><code> Should be deleted <pre><code> also deleted </code></pre> delete this too </code></pre> don't delete <pre><code> delete </code></pre> "
start_tag = "<pre><code>"
end_tag = "</code></pre>"

regexp = f"{start_tag}(.*?){end_tag}"
result = re.sub(regexp, '', string)

print(result)  # 输出： don't delete

解释：

• (.*?) 现在会匹配尽可能少的字符，直到找到下一个 </code></pre> 。
• f"{start_tag}(.*?){end_tag}" 使用 f-string 动态地创建正则表达式，使其更易于阅读和修改。

现在，代码可以正确地删除两个指定字符串之间的所有内容，即使它们是嵌套的。