0

这是 Python 2.5 代码（fox用链接替换单词<a href="/fox">fox</a>，它避免了链接内的替换）：

import re

content="""
<div>
    <p>The quick brown <a href='http://en.wikipedia.org/wiki/Fox'>fox</a> jumped over the lazy Dog</p>
    <p>The <a href='http://en.wikipedia.org/wiki/Dog'>dog</a>, who was, in reality, not so lazy, gave chase to the fox.</p>
    <p>See &quot;Dog chase Fox&quot; image for reference:</p>
    <img src='dog_chasing_fox.jpg' title='Dog chasing fox'/>
</div>
"""

p=re.compile(r'(?!((<.*?)|(<a.*?)))(fox)(?!(([^<>]*?)>)|([^>]*?</a>))',re.IGNORECASE|re.MULTILINE)
print p.findall(content)

for match in p.finditer(content):
  print match.groups()

output=p.sub(r'<a href="/fox">\3</a>',content)
print output

输出是：

[('', '', '', 'fox', '', '.', ''), ('', '', '', 'Fox', '', '', '')]
('', '', None, 'fox', '', '.', '')
('', '', None, 'Fox', None, None, None)

Traceback (most recent call last):
  File "C:/example.py", line 18, in <module>
    output=p.sub(r'<a href="fox">\3</a>',content)
  File "C:\Python25\lib\re.py", line 274, in filter
    return sre_parse.expand_template(template, match)
  File "C:\Python25\lib\sre_parse.py", line 793, in expand_template
    raise error, "unmatched group"
error: unmatched group

  1. 我不确定为什么反向引用\3不起作用。

  2. (?!((<.*?)|(<a.*?)))(fox)(?!(([^<>]*?)>)|([^>]*?</a>))作品见http://regexr.com?3170 亿，令人惊讶。第一个负前瞻(?!((<.*?)|(<a.*?)))让我感到困惑。在我看来，它不应该工作。取它找到的第一个匹配项，fox在 中gave chase to the fox.</p>，有一个<a href='http://en.wikipedia.org/wiki/Dog'>dog</a>where 匹配项((<.*?)|(<a.*?))，作为否定的前瞻，它应该返回一个 FALSE。我不确定我是否清楚地表达了自己。

非常感谢！

（注：我讨厌使用 BeautifulSoup。我喜欢编写自己的正则表达式。我知道这里很多人会说正则表达式不适用于 HTML 处理等等。但这是一个小程序，所以我更喜欢正则表达式而不是 BeautifulSoup）

4

2 回答 2

3

如果您不喜欢 beautifulsoup，请尝试以下其他 (X)HTML 解析器之一：

html5lib
elementree
lxml

如果您曾经计划或需要解析 HTML（或变体），那么值得学习这些工具。

于 2012-06-10T13:03:03.030 回答
1

我不知道为什么你的表达不起作用，我唯一注意到的是一开始的前瞻组，这对我来说没有多大意义。这个似乎运作良好：

import re

content="""fox
    <a>fox</a> fox <p fox> and <tag fox bar> 
    <a>small <b>fox</b> and</a>
fox"""

rr = """
(fox)
(?! [^<>]*>)
(?!
    (.(?!<a))*
    </a
)
"""

p = re.compile(rr, re.IGNORECASE | re.MULTILINE | re.VERBOSE)
print p.sub(r'((\g<1>))', content)
于 2012-06-10T12:41:46.700 回答