Question

我对正则表达式不太满意，我正在寻找排除某些东西的语法。我正在解析html代码中的<，>，"和&（替换为<等），我需要排除{{1从解析。即：

<br/>

我尝试了类似于：<html> <head><title></title></head> <body> </body> </html>和其他人，但他们并没有完全发挥作用。我使用r'<\b?![br]'替换。

Answer 1

好的，现在问题再次打开，我可以作为答案，所以......

除非我遗漏了某些内容，并且只有 （不是任何变体），否则只需将<(?!br/>)替换为<，将(?<!<br/)>替换为{{1}那就是它？

在Python中，它看起来像这意味着：

&gt;

为了解释发生了什么，text = re.sub( '<(?!br/>)' , '<' , text ) text = re.sub( '(?<!<br/)>' , '>' , text ) ... (?!是一个负向前瞻 - 如果以下文字不匹配子表达式，它只能在某个位置成功匹配包含的内容。
（注意前瞻不会消耗与其子表达式匹配的文本，它们只会验证它是否存在。）

同样地，) ... (?<!是背后的负面外观，并使用前面的文字做同样的事情。

然而，lookbehinds与前瞻略有不同（在一些正则表达式实现中） - 这就是lookbehinds中的子表达式必须代表固定宽度或有限宽度的匹配。

Python是需要固定宽度的一个 - 所以虽然上面的表达式有用（因为它总是四个字符），如果它是)那么它就不是Python的有效正则表达式，因为它代表可变长度匹配。（但是，可以堆叠多个lookbehinds，因此如果有必要，您可以手动迭代各种选项。）

Answer 2

替换所有内容，然后在第二遍中替换“＆amp; lt; br /＆amp; gt;”用“＆lt; br /＆gt;”。

或者，为了概括，请列出要“恢复”的标签列表并替换“＆amp; lt; tag＆amp; gt;” “＆lt; tag＆gt;”，“＆amp; lt; / tag＆amp; gt;” “＆lt; / tag＆gt;”和“＆amp; lt; tag /＆amp; gt;” “＆lt; tag /＆gt;”。

Answer 3

这是否符合您的需求？：

import re
import htmlentitydefs

ss = '''
<html>
    <br>
        <title>"War & Peace"</title>
        <body>Leon Tolstoy</body>
    <br/>
</html>'''

print ss
print '\n\n'


uniquechars_repl = '"&'
conditional_repl = {'<':'<(?!br/>)',
                    '>':'(?<!<br/)>'}

all_repl = list(uniquechars_repl) + conditional_repl.keys()

di = dict( (b,'&%s;' % a) for a,b in htmlentitydefs.entitydefs.iteritems()
           if b in all_repl)

pat = '|'.join(list(uniquechars_repl) + conditional_repl.values())

text = re.sub(pat , lambda mat: di[mat.group()], ss )

print text

结果

<html>
    <br>
        <title>"War & Peace"</title>
        <body>Leon Tolstoy</body>
    <br/>
</html>




&lt;html&gt;
    &lt;br&gt;
        &lt;title&gt;&quot;War &amp; Peace&quot;&lt;/title&gt;
        &lt;body&gt;Leon Tolstoy&lt;/body&gt;
    <br/>
&lt;/html&gt;

python中的正则表达式排除

3 个答案: