正規表現、マッチが貪欲すぎる……

Question

Pythonで正規表現を書いているんですが上手にマッチさせられません…。
下記のコード、果物と色の組み合わせをマッチさせたいのですが、思ったようにいきません……。

import re
menu = '''
<item>りんご</item>
    <price>120</price>
<item>みかん</item>
    <price>300</price>
    <color>オレンジ</color>
<item>ぶどう</item>
    <price>400</price>
    <color>むらさき</color>
'''
result = re.finditer(r'<item>(.+?)</item>.+?<color>(.+?)</color>'
    ,menu
    ,flags=re.DOTALL)
for each in result:
    print(each.groups())

↓こういう答えが返ってきてほしい

('みかん', 'オレンジ')
('ぶどう', 'むらさき')

↓実際に返ってくる答え（りんごはオレンジではない……）

('りんご', 'オレンジ')
('ぶどう', 'むらさき')

こういう風に戻ってくる原理はわかっているつもり（正規表現の中の丸括弧に入っていない .+? がわたしの想定を超えて貪欲なのですよね）ですが、理想通りに変える方法が思い当たりません。
上から順になぞっていって、<color>タグを見つけたときに、さかのぼっていちばん近い<item>を見つけてもらえたらいいのですが……。

なお、上記はわかりやすくXMLみたいなものを書いているのですが、実際にわたしが取り組んでいるデータはこんな感じではない（Wikipediaのダンプデータ）ので、タグの階層関係などに依存しない方法があれば知りたいです。

Python 3.6.5

Answer 1

直感的にはこんな感じで、二段階でやります。

result = re.finditer(r'<item>.*?(?=<item>|$)'
    ,menu
    ,flags=re.DOTALL)
for each in result:
    result2 = re.finditer(r'<item>(.+?)</item>.+?<color>(.+?)</color>'
        ,each.group()
        ,flags=re.DOTALL)
    for each2 in result2:
        print(each2.groups())

１つの正規表現で、出来るかもしれないけど、出来たとしても読解困難になることは間違いなさそうです。
#追記
それほど読解困難じゃなくて出来た気がします。質問文のデータでしかテストしてませんが。

result = re.finditer(
    r'<item>((?:(?!</item>).)+?)</item>(?:(?!<item>).)+?<color>(.+?)</color>'
    ,menu
    ,flags=re.DOTALL)
for each in result:
    print(each.groups())

Comments

[otn]

私がやるなら、二段階方式ですね。要件が変わったときに修正が楽。

[hacosato]

ありがとうございました。
どちらもきちんと動くの確認できました。

2行のほうは理解もできました。
1行のほうはよくわからなかったのですが、
https://regexper.com/#%3Citem%3E%28%28%3F%3A%28%3F!%3C%5C%2Fitem%3E%29.%29%2B%3F%29%3C%5C%2Fitem%3E%28%3F%3A%28%3F!%3Citem%3E%29.%29%2B%3F%3Ccolor%3E%28.%2B%3F%29%3C%5C%2Fcolor%3E
可視化しながら触ってみたので、仕組みもわかったと思います。
ありがとうございました。

[otn]

この問題もそうですが、１つの正規表現でやろうとするのは、不可能あるいはメンテ困難になる場合があります。
例えば、「★★★を含んで☆☆☆を含まない行を処理する」は、
if re.search("★★★",line) and not re.search("☆☆☆",line):
が、明快です。

Answer 2

こんにちは

この回答はご質問の本題からは逸れます。何卒ご了承ください。（ご質問の本題に対する回答としては、otnさんが追記のほうで挙げられている正規表現になるかと思います。)

題意の解決のためには、ご質問に挙げられているサンプルのテキストから、

[
  ('item', 'りんご'),
  ('price', '120'),
  ('item', 'みかん'),
  ('price', '300'),
  ('color', 'オレンジ'),
  ('item', 'ぶどう'),
  ('price', '400'),
  ('color', 'むらさき')
]

というリスト（あるいは同等のiterable)を作るのが分かりやすいと思われました。正規表現は、一組の

<TagName>Value</TagName>

を得るためにのみ使います。以下はこの考えによる、ご質問の回答となるコードです。

import re

menu = '''
<item>りんご</item>
    <price>120</price>
<item>みかん</item>
    <price>300</price>
    <color>オレンジ</color>
<item>ぶどう</item>
    <price>400</price>
    <color>むらさき</color>
'''

item = None

for name, value in re.findall(r'<([a-z]+)>(.*?)</\1>', menu):
    if name == 'item':
        item = value
    elif name == 'color':
        print((item, value))

• 動作確認用Repl.it: https://repl.it/@jun68ykt/Q240236

以上、参考になれば幸いです。

Comments

[hacosato]

ありがとうございます。
上から順になぞっていって適切かどうかを判断していく感じ、わたしが思うのと似た感じの構造になっていて理解しやすいです！

[jun68ykt]

どういたしまして。

> わたしが思うのと似た感じの構造になっていて理解しやすいです！

ありがとうございます。
実務上では、あまり複雑な正規表現を書くと、後のメンテナンスが大変なので、私のこの回答のようなことをやって、正規表現に任せる仕事はほどほどにしておくという判断はあり得ることではありますが、とはいえ、hacosatoさんのこのご質問の動機となっているであろう、「ひとつの正規表現で何もかも一気に片付けてやろう」という心構えは、正規表現の上達のためにはとても良いと思います。