总结
Parser具有通用性,处理良性的xml,解析完后你可以得到xml文档任何位置的信息.优先选择
Regex具有针对性,处理非良性的xml,当你预先知道需要匹配的信息位置,尝试Regex
在Update3中给出了一个实例。
我现在有这样的一个字符串:
str="<a>1</a>...<b>A</b>...<a>2</a>...<b>B</b>"
以下两种re分别匹配<a>与</a>之间内容，<b>与</b>之间内容
p1=re.compile(r'(?<=<a>)(.*?)(?=</a>)')
#p1.findall(str)=['1','2']
p2=re.compile(r'(?<=<b>)(.*?)(?=</b>)')
#p2.findall(str)=['A','B']
问题1:是否能利用'|'操作，使一个pattern来完成如下的匹配：
p3=re.compile(r'(?<=<a>)|(?<=<b>)(.*?)(?=</a>)|(?=</b>)')
#p3.findall(str)=['1','2','A','B']
问题2:能否使用group来完成如下匹配:
p4=re.compile(r'(?<=<a>)(.*?)(?=</a>)(?<=<b>)(.*?)(?=</b>))
#p4.findall(str)=[('1','A'),('2','B')]
Updata1问题2已解决
问题2来源手册中写到：
If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group.
p=re.compile(r'(?<=<a>)(.*?)(?=</a>).+?(?<=<b>)(.*?)(?=</b>))
#p.findall(str)=[('1','A'),('2','B')]
再推荐一个Python正则交互式的网站regex101。
改变正则式，匹配结果能即时更新，很方便测试自己的正则式是否正确。
update2
匹配xml文档的内容,Regex or Parser?
Parser适合解析,Parser更robust一些,解析完后你可以得到xml文档任何位置的信息;Regex适合针对性的匹配,处理非良性的xml时,当你预先知道需要匹配的信息位置时,尝试Regex。在**Update3中给出了一个实例。
Update3
问题的回答逐渐转变到同一个声音告诉你"一定不要用Regex解析xml"。
对此我的粗浅看法：
1.我的问题是"Regex匹配XML内容,不是用Regex来解析XML文档"。问题源自基于新闻语料Reuters-21578的文本分类器。数据源就是抓取语料文档中标签<PLACES>与<TEXT>内的的信息,并且一一对应起来。这篇文章提到了该语料的处理体会:
这些数据文件貌似是有一定的格式的，我刚开始也试图把他们当做标准的xml文档来处理（因为下载包里还像模像样的包含了一个SGML DTD 的文件），但老是报错。最终发现很多的记录格式是错误的，而且错误千奇百怪。所以干脆放弃，直接把它们全部看做文本文件来处理得了。
我用python中lxml库来尝试parse，结果当然是parse失败，error_log中提示很多mismatch.当然lxml也提供了处理broken xml的方法，即recover - try hard to parse through broken XML.recover的代价是不易处理PLACES与TEXT 信息的对应关系。但换作Regex，匹配规则就类比上述问题:只有当两个group同时匹配到内容,这样的配对信息就保留。如果其中一个为空，这样的配对信息就丢弃。
2.具体问题具体分析,少说绝对
这个问题同样在stackoverflow中出现,回答各式各样。
得票最高的是"不要用Regex来解析xml"。同时也有其它一些启发性的回答,摘录一个
While it is true that asking regexes to parse arbitrary HTML is like asking Paris Hilton to write an operating system, it's sometimes appropriate to parse a limited, known set of HTML.
If you have a small set of HTML pages that you want to scrape data from and then stuff into a database, regexes might work fine. For example, I recently wanted to get the names, parties, and districts of Australian federal Representatives, which I got off of the Parliament's Web site. This was a limited, one-time job.
Regexes worked just fine for me, and were very fast to set up.
雷雷
說了幾次…我都嫌煩了…
XML的有自己的函式庫lxml，BS4
正規就應該用來幹它合適的活，而不是費那種腦子整XML
雷雷
補充3：
這裡把直接面對問題的正面回答，從補充2裡單獨提出來。
對於這個配對問題本身，我的建議是：
A和B是配對的，那最好能夠觀察是否存在斷行、父標籤等，能用來區分每個<a><b>組的明確依據。例如有這樣的資料來源那是最好：<r><a></a><b></b></r><a>或<b>。例如ABABAAABAB，那麼中間的3個A中前兩個最好是丟棄。<a>(?P<texta>.*)</a>.*<b>(?P<textb>.*)</b>。(?:<(?P<tagname>a)>(?P<text>.*)</a>)|(?:<(?P<tagname>b)>(?P<text>.*)</b>)，一次把所有的標籤不論是A或B全部拿到。A和B看作一組有效資料。注意以上程式碼全部空手寫的，沒做測試甚至沒詳細看，僅供表意參考。
補充2：
XML不標準是一個合理的理由。應對這一實際情況，我的建議是：
另外我必須非常嚴肅的批評樓主：你又是一個XY PROBLEM的反面教材。
最開始只拿出一個非常簡單且規範的XML片段，結果兩次Update才把最後「XML可能不規範」這麼重要的內情說出口。
你這是故意留著什麼王牌，用於被批評的時候維護你脆弱的自尊嗎？ ！
你還能不能再脆弱一點！ ！ ！
補充1：
不能同意問題正文的Update 2。
用正規匹配正規XML，就表示只要在XML的規則之內挖幾個小坑，偷懶的程式設計師就會掉進去。
Regex解析XML我認為就是“絕對不適合實際應用”，不該是有什麼疑問的事情。如果硬要做，那就意味著實際做出的程序只能適應一些特定情況。而且如果資料來源有絲毫的改動（例如：程式設計師把少量標籤暫時註解掉了）也可能需要人類來做hotfix。結果就是把摩天大樓蓋在散沙之上，程式設計師辛苦寫出的程序不久就不能用了。這將是一場永無止境的循環。
“只要是事情，就都沒有絕對”，這個判斷本身難道不是“絕對”的？我認為原則就是原則，部分問題有明確的是非之分，有些渾水是不能攪的。如果在原則問題上這裡可以退後一點，那裡可以放過一些，那這樣寫出的程序，恐怕只能陷入一種神出鬼沒、不可捉摸的結局。
SOF上有其他說法太正常了，難道見到了就非得認可？ ！
唯一能肯定的就是如果用XML當作學習正規的例子，倒是做做無妨。
我寧願把這個問題徹底掀翻。
怎麼總是有人喜歡用正規表示式解析XML/HTML啊？ ！
啥時候用Parser還是Regex解析XML居然能夠“各有所長”，還成了個能夠商量、可以討論的問題了啊？ ？ ！ ！
這是需要討論的問題嗎？ ？ ？ ！ ！ ！
永遠不要用正規取代XML解釋器
鐵的原則！
一步不退！
再簡單的XML也不行！
因為你不能用一個簡單的正規表示式，覆蓋XML所有的複雜結構。 XML的情況之多，什麼地方雖然怪異但正確，什麼地方只是可以容忍，什麼地方應該乾脆報錯，這不是正則覆蓋的了的。
例如以下幾種情況，捫心自問：如果用正規來做，會條條都考慮到嗎？
<!-- this <a></a> should be ignored --><![CDATA[ this <a></a> should be ignored too ]]><a>A < B</a>isA < Binstead ofA < B<a />is an equivalent to<a></a>, shouldn't be ignored所以正規和XML解釋器是完全不同複雜度的兩個東西。混用的結果就是：代價一定會在某一天連本帶利還給你。不要因為“這樣做能達到目的”，就放棄寫堅固的程式碼。這是用身體上看似的“勤快”，去掩蓋思想上絕對的懶惰。
曾參加中學資訊學奧賽，或大學ACM/ICPC的玩家都明白一個淺顯的道理：
實際的程式設計也是如此。對於這個需求，考慮到XML是一個標準，所以涉及XML的程式碼必須要「保證」他對於符合標準的XML都能工作，而不是不斷的折騰讓程式碼「看起來」適用於你設定的片面的「範例資料」。
看看這篇文章《Linux 2.6.39-rc3的一個插曲》，記住Linus Torvalds的教導：