python - Python正则表达式-在搜索过程中忽略序列

我正在尝试使用python创建一种数据挖掘器。我要检查的是希腊语词典。所述字典最初是PDF格式的，我将其转换为粗糙的对应HTML格式以更轻松地对其进行解析。由于数据结构严重失真，因此我对其进行了进一步的格式化。我当前的任务是查找并单独存储各个单词及其描述。因此，想到的第一个想法是，除了描述之外，首先要识别这些词。单词空间的标头具有非常特定的语法，我使用它来创建一个对应的正则表达式以匹配它们中的每一个。不过有一个问题。尽管到目前为止，我已经对HTML进行了格式化，但仍有很多地方，一系列逻辑数据被序列中断，后跟换行符，并以随机顺序中断。有什么方法可以使我的正则表达式“忽略”该序列，即在遇到某个序列时将其视为不存在，从而包括那些被其打断的匹配项？也就是说，不放入（ \ n）？在我的RE的每个部分中，涵盖所有可能的情况。我使用的正则表达式如下：(ο|η|το)?( )?([α-ωάέήίόύώϊϋΐΰ])*(, ((ο|η|το)? ([α-ωάέήίόύώϊϋΐΰ])*))*( \(.*\))? ([Α-Ω])*\.( \(.*\))?:并且当数据没有被上述给定的顺序打断时，在匹配方面做得很好。如果不理解，问题在于中断序列可以出现在比赛中的任何地方，因此我正在寻找一种方法，而不是覆盖可能发生序列的每个位置（在决定是否返回比赛时忽略序列）还是没有），正如我之前解释的那样。 (adsbygoogle = window.adsbygoogle || []).push({}); 最佳答案您要的是一个不同的正则表达式。新的正则表达式将是旧的正则表达式，在每个非量化字符后都带有(<br\s*?/>\n?)?等。您可以编写一些内容以将正则表达式转换为所需的形式。它会采用您现有的正则表达式，并产生一个耐br的正则表达式。正则表达式语法中不存在可自动为您执行此操作的构造。我认为更容易做到的是将源文档置换为不包含您希望忽略的序列。这应该是简单的文本替换。如果不是为了明确使用标记来表示含义，则另一种选择是仅获取纯文本文档内容而不是HTML内容。 (adsbygoogle = window.adsbygoogle || []).push({});