使用Python正则表达式来清理输入字符串

Question

我有字符串： text = 'href = "www.google.com" onmouseover = blahblah >' 我想要'href = "www.google.com">'

目前，我的功能如下：

text = re.sub(r'href = \".*\".*>', 'href = \".*\">', text)

最终删除网站链接并将其替换为字符串＆＃39;。*＆＃39; 。我想我应该以某种方式使用？Pname？但是不知道如何正确地写它以便我得到正确的输出。

Answer 1

您不想在.*中替换，您希望在中替换第一个.*匹配的。

为此，您需要反向引用，例如\1。

这意味着你需要一些反向引用来引用一个捕获组，比如(.*)而不是.*。

更一般地说，替换字符串不是正则表达式，它是一种不同的东西 - 基本上，它是除了反向引用之外的所有文字字符的模板。*所以，你不要＃39; t想要尝试转义引号，除非你想在结果中使用字面反斜杠。

所以：

>>> re.sub(r'href = \"(.*)\".*>', r'href = "\1">', text)
'href = "www.google.com">'

这在正则表达式HOWTO中的Search and Replace中有更详细的解释。

---

_{*或者它可以是一个获取每个匹配对象并返回一个字符串的函数。}

Answer 2

实现目标的另一种方法是获取子字符串。不需要正则表达式。我们的想法是使用字符串方法index()找到第二个双引号字符。

对于名为input的字符串，此表达式为您提供第二个双引号字符的位置：

input.index('"', input.index('"')+1)

如果该值为k，请写input[:k+1]以提取所有内容，包括第二个双引号字符。

在Python解释器中尝试以下内容。

input = 'href = "www.google.com" onmouseover=hax0rFunction()>'
k = input.index('"', input.index('"')+1)
input[0:k+1]