我正在尝试将href="../directory"
的所有实例替换为href="../directory/index.html"
。
在Python中,这个
reg = re.compile(r'<a href="../(.*?)">')
for match in re.findall(reg, input_html):
output_html = input_html.replace(match, match+'index.html')
产生以下输出:
href="../personal-autonomy/index.htmlindex.htmlindex.htmlindex.html"
href="../paternalism/index.html"
href="../principle-beneficence/index.htmlindex.htmlindex.html"
href="../decision-capacity/index.htmlindex.htmlindex.html"
知道为什么它适用于第二个链接,但其他链接不适用?
来源的相关部分:
<p>
<a href="../personal-autonomy/">autonomy: personal</a> |
<a href="../principle-beneficence/">beneficence, principle of</a> |
<a href="../decision-capacity/">decision-making capacity</a> |
<a href="../legal-obligation/">legal obligation and authority</a> |
<a href="../paternalism/">paternalism</a> |
<a href="../identity-personal/">personal identity</a> |
<a href="../identity-ethics/">personal identity: and ethics</a> |
<a href="../respect/">respect</a> |
<a href="../well-being/">well-being</a>
</p>
编辑:重复的'index.html'实际上是多次匹配的结果。 (例如,href =“../ personal-autonomy / index.htmlindex.htmlindex.htmlindex.html”是因为原始来源中发现了四次../personal-autonomy。)
作为一般的正则表达式问题,如何在不向所有匹配项添加额外“index.html”的情况下替换所有实例?
答案 0 :(得分:5)
import re
from lxml import html
def replace_link(link):
if re.match(r"\.\./[^/]+/$", link):
link += "index.html"
return link
print html.rewrite_links(your_html_text, replace_link)
<p>
<a href="../personal-autonomy/index.html">autonomy: personal</a> |
<a href="../principle-beneficence/index.html">beneficence, principle of</a> |
<a href="../decision-capacity/index.html">decision-making capacity</a> |
<a href="../legal-obligation/index.html">legal obligation and authority</a> |
<a href="../paternalism/index.html">paternalism</a> |
<a href="../identity-personal/index.html">personal identity</a> |
<a href="../identity-ethics/index.html">personal identity: and ethics</a> |
<a href="../respect/index.html">respect</a> |
<a href="../well-being/index.html">well-being</a>
</p>
答案 1 :(得分:1)
我想我发现了问题
reg = re.compile(r'<a href="../(.*?)">')
for match in re.findall(reg, input_html):
output_html = input_html.replace(match, match+'index.html')
这里'input_html'在for循环中被修改,然后再次搜索相同的'input_html'以获取正则表达式的错误:)
答案 2 :(得分:0)
答案 3 :(得分:0)
问题是a-tag的内容也与你尝试替换的内容相匹配。
这绝不是理想的做法,但我认为如果用以下内容替换你的正则表达式,你会发现它可以正常工作:
reg = re.compile(r'<a href="(\.\./.*?)">')
答案 4 :(得分:0)
正则表达式中存在错误,因为..
与两个点不匹配。相反,它是.
metacharacter。要表示一个点,你需要逃避它。
你的正则表达式应该是:<a href="\.\./(.*?)"
此外,假设所有您的href的格式为 ../ somedirectory / ,您可以使用更简单的正则表达式:
for match in re.compile(r'<a href="(.*?)"').findall(html):
html = html.replace(match, match + "index.html")
这里,正则表达式匹配
<a href=" # start of the taf and attribute
( # start of a group
.* # any character, any number of times
) # end of group
" # end of the attribute