使用 Regex 遍历 XML 文本

Question

我有一堆 XML 文本需要迭代并提取一些数据。我知道 Regex 不是最好的方法，但我需要提取的数据很少，我通过 Regex 成功地做到了。我面临的问题是我需要这些数据按顺序出现。下面的数据是我从中提取信息的内容，但我需要逐段进行，因此需要遍历标记开头的 pnum=1, pnum=2 .... 值该特定段落的。如何使用正则表达式对此进行迭代？正则表达式环视对此有帮助吗？

第一段：

<p pnum=1>
<s snum=1>
<wf cmd=done pos=NN lemma=committee wnsn=1 lexsn=1:14:00::>Committee</wf>
<wf cmd=done pos=NN lemma=approval wnsn=1 lexsn=1:04:02::>approval</wf>
<wf cmd=ignore pos=IN>of</wf>
<wf cmd=done rdf=person pos=NNP lemma=person wnsn=1 lexsn=1:03:00:: pn=person>Gov._Price_Daniel</wf>
<wf cmd=done pos=NN lemma=banker wnsn=1 lexsn=1:18:00::>bankers</wf>
<punc>.</punc>
</s>
</p>

第二段：

<p pnum=2>
<s snum=2>
<wf cmd=done rdf=person pos=NNP lemma=person wnsn=1 lexsn=1:03:00:: pn=person>Daniel</wf>
<wf cmd=done pos=RB lemma=personally wnsn=1 lexsn=4:02:01::>personally</wf>
<wf cmd=done pos=VB lemma=lead wnsn=7 lexsn=2:41:00::>led</wf>
<punc>.</punc>
</s>
</p>

Answer 1

关键是使用non-greedy限定符.*?一次只抓取一段内容

    Pattern p = Pattern.compile("<p pnum=([0-9]+)>.*?</p>", Pattern.DOTALL);
    Matcher m = p.matcher(text);
    while(m.find()) {
        System.out.format("******Paragraph %s*****%n", m.group(1));
        System.out.println(m.group(0));
    }

如果有任何嵌套段落，这当然会失败<p>...</p>，这就是为什么正则表达式不是一个好的选择。

使用 Regex 遍历 XML 文本

Iterating over XML text using Regex

java

regex

regex-lookarounds