python - 如何獲取字符串中出現多次的特定字符

Question

我有一個字符串，它具有大約270 M行，如下所示;

<DOC> <DOC>+BDTag 
<S> <S>+BSTag 
--- ---- 
--- ---- 
</S> </S>+ESTag 
<S> <S>+BSTag 
--- ---- 
--- ---- 
</S> </S>+ESTag 
<S> <S>+BSTag 
--- ---- 
--- ---- 
</S> </S>+ESTag 
----- 

我想在所有的字符串<S> <S>+BSTag和</S> </S>+ESTag之間的字符，並創建該列表。

你能給我一個最快解決方案的例子嗎？

謝謝，

Answer 1

一個簡單的解決方案可以使用正則表達式。

例如使用re.findall我們可以寫，

>>> str = """<DOC> <DOC>+BDTag 
... <S> <S>+BSTag 
... hello world 
... </S> </S>+ESTag 
... <S> <S>+BSTag 
... line 2 
... </S> </S>+ESTag 
... <S> <S>+BSTag 
... line 3 
... </S> </S>+ESTag 
... -----""" 

>>> re.findall(r'<S> <S>\+BSTag(.*?)</S> </S>\+ESTag', str, re.DOTALL) 
['\nhello world\n', '\nline 2\n', '\nline 3\n'] 

---

它能做什麼？

• <S> <S>\+BSTag匹配起始行。
• (.*?)，.*匹配任何內容。 ?使其懶惰，以便它在看到第一個結束行時停止。
• </S> </S>\+ESTag匹配端線
• re.DOTALL這是可以確保.匹配新的生產線，以及。