正規表現で任意の文字列を含まないものを抽出したい

Question

正規表現を用いて、「.html」を含む文字列以外の単語を抜き取ろうとしているのですが、全く抜き取れません。

以下がデータで、抜き取りたいのは「programs」「algorism」「data」「structure」です。

program algorithm
sort.html
search.html data.html
data structure

どのように記述すればよいのでしょうか。

ソースコードは以下のとおりです。

file = open("上記のテキストデータ", "r")
txt = file.read()
re.findall("^([a-zA-Z]+.html)", txt)

※.htmlを含む文字列の抽出はできました。

re.findall("[a-zA-Z]+.html", txt)

Answer 1

ちょっと苦しいですが、

>>> txt = '''program algorithm
... sort.html
... search.html data.html
... data structure'''
>>> import re
>>> [s for s in re.split(r'[ \n]*[a-zA-Z\n]+.html[ \n]|[ \n]', txt) if s]
['program', 'data', 'structure']

Comments

[nnnnnnn-kkkkkk]

ありがとうございます！ピリオドが絡むとややこしくなるのですね…。

Answer 2

正規表現で頑張るなら、こんな感じでしょうか。
もっとうまい方法がある気もしますが。

dst = re.findall(r"(?<!.)\b[a-zA-Z]+\b(?!.html)", txt)

あるいは

dst = re.findall(r'(?<!.)\b(?![a-zA-Z]+.html)[a-zA-Z]+', txt)

別解

とりあえず全部引っこ抜いて、後から選り分けた方が簡単です。

dst = [
    word for word in txt.split()
    if not word.endswith('.html')
]

Comments

[nnnnnnn-kkkkkk]

なるほど…。正規表現に固執していました。　一行で簡潔に表したいなーと思っていたんですが、内包表記をすっかり失念してました！ありがとうございました！