Question

我正在解析HTML页面并希望删除'＆lt;！DOCTYPE html＆gt;'之间的所有文字并且“算上绿色”。例如，如果文本文件（TestFile.txt）中的字符串是

＆lt;！DOCTYPE html＆gt; FOOBAR计数绿色

我想返回

＆lt;！DOCTYPE html＆gt;数绿色

我的代码是

import re

# open text file
with open ("TestFile.txt", "r") as myfile:
    data=myfile.read().replace('\n', '')

# find text at start to replace
removeStartCompile = re.compile('<!DOCTYPE html>(.*?)count green')
removeStartSearch = removeStartCompile.search(data)
removeStart = removeStartSearch.group(1)

data = re.sub(removeStart,"",data)
print (data)

这是一个例子而且有效。但是，当我将文本文件扩展为完整的html代码（你可以想象它变得非常大）时，我最终试图解析大约300,000个字符，并且我得到了一个糟糕的字符范围错误。

有人有什么想法吗？

Answer 1

您可以尝试使用Python的stdlib字符串函数，而不是使用正则表达式：

starttext = "<!DOCTYPE html>"
endtext = "count green"

start = data.index(starttext) + len(starttext)
end = data.index(endtext)

output = data[:start] + data[end:]

当字符串很长时，如何在Python中的一对子字符串之间删除文本

1 个答案: