1

这是问题所在：

split=re.compile('\\W*')

这个正则表达式在处理正则词时工作得很好，但是在某些情况下我需要表达式来包含像käyttäj&aml;auml;.

我应该在正则表达式中添加什么以包含∧字符？

4

4 回答 4

6

我会将实体视为一个单元（因为它们也可以包含数字字符代码），从而产生以下正则表达式：

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

这匹配

  • 一个单词字符（包括“<code>_”），或者
  • 一个 HTML 实体，由
    • 字符“<code>&”,
      • 字符“<code>#”,
        • 字符“<code>x”后跟至少一个十六进制数字，或
        • 至少一位十进制数字，或
      • 至少一个字母（= 命名实体），
    • 分号
  • 至少一次。

/编辑：感谢 ΤZΩΤZΙΟΥ 指出错误。

于 2008-09-30T08:34:52.487 回答
5

你可能想把问题反过来，即找到所有没有空格的字符：

[^ \t\n]*

或者您想添加额外的字符：

[a-zA-Z0-9&;]*

如果您想匹配 HTML 实体，您应该尝试以下操作：

(\w+|&\w+;)*
于 2008-09-30T08:26:18.873 回答
2

您应该创建一个包含额外字符的字符类。例如：

split=re.compile('[\w&;]+')

这应该可以解决问题。供你参考

  • \w（小写'w'）匹配单词字符（字母数字）
  • \W（大写 W）是一个否定字符类（意味着它匹配任何非字母数字字符）
  • *匹配 0 次或多次并+匹配 1 次或多次，因此*将匹配任何内容（即使那里没有字符）。
于 2008-09-30T08:33:37.420 回答
-1

看起来这个 RegEx 成功了：

split=re.compile('(\\\W+&\\\W+;)*')

感谢您的建议。他们中的大多数人在 Reggy 上工作得很好，但我不太明白为什么他们在re.compile.

于 2008-09-30T09:00:19.447 回答