Question

我是python的新手，我想使用正则表达式过滤html标签。我使用了以下功能：

(function(){
NTES.ajax.importJs('http://news.163.com/special/hot_tags_recommend_data/',function(){
varname1,name2,len1,len2,width1,width2,left2;
varloveData=['拎婚房待嫁北京爷们','请网友鉴定是否美女'];
if(hotTagsData.count&&hotTagsData.count>0){
varcode='#from=article',
html=[],
item={name:'',url:''};
for(vari=0;i<hotTagsData.data.length&&i<4;i++){
item=hotTagsData.data[i];
html.push(''+item.name+'');
if(i==1){name1=item.name;}
if(i==2){name2=item.name;}
}
html.push(loveData[0]);
html.push(loveData[1]);
NTES('#js-extraTagList').innerHTML=html.join('');
len1=name1.replace(/[^\x00-\xff]/gi,"aa").length;
len2=name2.replace(/[^\x00-\xff]/gi,"aa").length;
width1=Math.floor((len1/(len1+len2))*271);
width2=271-width1;
left2=96+width1+19;
NTES('.extra-tag-1').addCss('width:'+width1+'px');
NTES('.extra-tag-2').addCss('width:'+width2+'px;left:'+left2+'px;');
}
},'gbk');
})();

除了一些js函数之外，大多数标签和代码都可以删除，我遇到了一些问题：

replace

正如你所看到的，有很多这样的功能。所以如何使用正则表达式删除它们？非常感谢。

Answer 1

您的正则表达式：<\s*script[^>]*>[^<]*<\s*/\s*script\s*>不应该包含[^<]*。您应该保留仅用于匹配标签本身。相反，您应该使用非贪婪的*，通常在语法上表示为：*?，因此它看起来像<\s*script[^>]*>.*?<\s*/\s*script\s*>。你应该在任何地方改变它，包括样式标记和注释正则表达式。

这应该照顾大多数情况。但是，它仍然无法保护您免受'</script>'中包含字符串的标记的影响，尽管这种情况应该很少见。这种情况很可能很少，如果出现这种情况，你可以手动剥离它。

Answer 2

我已经通过DataHerder的答案解决了这个问题。当我按照他说的方式更改我的正则表达式时。大部分代码都可以删除，但只有一点js代码没有。所以我看了原始的html代码，并且发现未删除的js代码如下所示：＆lt; SCRIPT LANGUAGE =＆＃34; JavaScript＆＃34;＆gt; var cpm_rdm = Math.random（）; ＆LT; / SCRIPT＆GT; ＆lt;！ - 五分之一视窗020903 - ＆gt; ＆lt; SCRIPT type =＆＃34; text / javascript＆＃34;＆gt; adInfoTempSc = { SRC：＆＃34; HTTP：//img2.126.net/ntesrich/2015/0922/1442887187409_89q7.swf" ;, 网址：＆＃34; HTTP：//g.163.com/a CID = 37873＆安培;值= 1760993544＆安培;重定向= HTTP：//e.cn.miaozhen.com/r/k=2012070& P =＆6we7m放大器; RO = SM＆安培; DX = 0＆安培; RT = 2及NS = __ IP __＆安培; NI = __ IESID __＆安培; v = __ LOC __＆安培; ND = __ DRA __＆安培; NP = __ POS __＆安培; NN = __ APP __＆安培;○= HTTP：//cars.fxauto.com.cn/ S500 / 003 /＆＃34 ;, 项：＆＃34; 8531446021442887975191892＆＃34; } 如果（cpm_rdm＆GT; 0.6＆安培;＆安培; cpm_rdm＆LT; 0.8）{ document.write（＆＃39;＆lt; scr＆＃39; +＆＃39; ipt type =＆＃34; text / javascript＆＃34; src =＆＃34; http：//img2.126.net/ntesrich/ 2015/0901 / scbox-2015.09.01.js＆＃34;＆GT;＆LT; / SCR＆＃39; +＆＃39;＆IPT GT;＆＃39）; } ＆LT; / SCRIPT＆GT; 我认为代码无法消除的共鸣是大写的，就像这样：＆lt; SCRIPT LANGUAGE =＆＃34; JavaScript＆＃34;＆gt;。所以我在我的正则表达式中加了一点。现在我可以过滤所有的标签和代码。再次。正则表达式现在： re_cdata = re.compile（＆＃39; //＆LT;！\＆GT [CDATA \ [* // \] \。];＆＃39;，re.DOTALL） re_script = re.compile（＆＃39;＆LT; \ S *脚本[^＆GT;] *＆GT。* LT;？\ S * / \ S *脚本\ S * GT;＆＃39;，re.DOTALL |如re.I） re_style = re.compile（＆＃39;＆LT; \ S *式[^＆GT;] *＆GT。* LT;？\ S * / \ S *风格\ S * GT;＆＃39;，re.DOTALL |如re.I） re_br = re.compile（＆＃39;＆LT峰; br \ S * /＆gt;有＆＃39;） re_h = re.compile（＆＃39;＆LT; /？\ W + * GT;＆＃39;，re.DOTALL） re_comment = re.compile（＆＃39;＆LT;！ - ？* - ＆GT;＆＃39;，re.DOTALL） re.I用于匹配大写

python中的正则表达式用于过滤JS代码

2 个答案: