面试题：Python正则匹配任意单个字符在复杂文本结构中的优化

Question

假设你有一个非常长且结构复杂的文本，其中包含多种不同格式的数据（如JSON片段、XML片段、普通文本段落等）。现在要求你使用Python正则表达式中匹配任意单个字符的特性，提取出所有XML标签内的文本内容，同时要尽可能优化匹配效率，避免因文本过长导致的性能问题。请详细阐述你的思路并给出核心代码实现。

Answer 1

思路

1. 匹配XML标签结构：利用正则表达式re.DOTALL标志，使得.可以匹配包括换行符在内的任意字符。XML标签以<开始，以>结束，对于标签内文本，可通过(.*?)进行非贪婪匹配，这样能确保在遇到第一个>时就停止匹配，避免过度匹配。
2. 优化性能：由于文本很长，可考虑分块读取文本，避免一次性加载整个文本到内存。但在本题中，使用re.finditer函数而不是re.findall函数，re.finditer返回一个迭代器，在匹配到结果时才返回，而不是一次性返回所有结果，这样在处理长文本时更节省内存。

核心代码实现

import re


def extract_xml_text(long_text):
    pattern = re.compile(r'<.*?>(.*?)</.*?>', re.DOTALL)
    results = []
    for match in re.finditer(pattern, long_text):
        results.append(match.group(1))
    return results

你可以这样调用这个函数：

long_text = "<root>content1</root><other>content2</other>"
print(extract_xml_text(long_text))

在上述代码中，re.compile函数将正则表达式编译成模式对象，re.finditer函数在文本中查找所有匹配的子字符串，match.group(1)提取到XML标签内的文本内容并添加到结果列表中最后返回。