Question

我希望解析解析包含html锚标记的原始文档，但不幸的是它包含无效标记，例如：

<a href="A 4"drive bay">some text here</a>

我知道href值可能不是实际链接，但让我们保持这种方式。现在我需要的是检索href值'A 4"drive bay'和链接文本'some text here'。

我正在使用python，我已经尝试了python库“BeautifulSoup”，它在检索所有锚标签时效果很好。但问题是当它遇到提到的无效锚标记时标记错误，其中href值包含'“'。原始数据中存在这样的情况我正在解析和修改这样的数据不是选项..

使用BeautifulSoup的我的python代码的一部分是：

sub_s = BeautifulSoup(line)
for l in sub_s.find_all('a'):
   l.replace_with(l.string)
print str(sub_s),

代码只是将锚标记替换为纯文本

如果有人可以帮我解决这个问题，我会非常感激... 正则表达式也会这样做.. ^^

Answer 1

我猜您可以通过正则表达式预先过滤输入文本以纠正此特定问题。类似的东西：

>>> r = re.compile('''<a[^>]+href="([^>]+)">''')
>>> m = r.match(text)
>>> m.group(1)
'A 4"drive bay'
>>> r.sub('<a href="%s">' % m.group(1).replace('"', ' '), text)
'<a href="A 4 drive bay">some text here</a>'

这不是一个完整的解决方案;只是想知道如何前进。

Answer 2

Selfhtm 8.1.2（德国经常使用的HTML文档）建议：

第一个位置拉丁字符（a-z，A-Z）
后来的拉丁字符，数字（0-9）， - ，_或。

我使用以下正则表达式来确保第一个要求：

name="[^a-zA-Z]

（n。b。第一个领先的空间似乎不那么重要，适用于大多数正则表达式实现，例如来自helios的textpad编辑器）

为了简化工作，我还有另一个要求的正则表达式：它还捕获一个字符锚（它们是有效的），但它将有助于识别可能的问题：

name=".?[^a-zA-Z0-9_\.-][^"]*"

我使用语法检查程序找到的大多数其他问题。

使用BeautifulSoup或Regex解析无效的锚标记

2 个答案: