1

我基本上有一个用 Python 编写的 RSS 索引应用程序，它将 RSS 内容作为简介存储在数据库中。当应用程序最初处理文章内容时，它会注释掉所有不符合某些条件的链接，例如：

<a href="http://google.com">Google</a>

成为：

<!--<a href="http://google.com">Google</a>--> Google

现在我需要处理所有这些旧文章并修改链接。所以使用 BeautifulSoup 4 我可以很容易地找到评论：

links = soup.findAll(text=lambda text:isinstance(text, Comment))
for link in links:
    text = re.sub('<[^>]*>', '', link.string)
    # any html in the link tag was escaped by BS4, so need to convert back
    text = text.replace('&amp;lt;','<')
    text = text.replace('&amp;gt;','>')
    find = link.string + " " + text

上面“find”的输出是：

<!--<a href="http://google.com">Google</a>--> Google

这使得.replace()对内容执行 a 变得更容易。

现在我遇到的问题（我相信这很简单）是多行查找/替换。当 Beautiful Soup 最初注释掉链接时，一些链接被转换为：

<!--<a href="http://google.com">Google
</a>--> Google

或者

<!--<a href="http://google.com">Google</a>--> 
Google

很明显，replace(old,new)由于replace()不涵盖多行，因此不起作用。

有人可以通过正则表达式多行查找/替换来帮助我吗？它应该区分大小写。

4

1 回答 1

1

尝试这个：

 re.sub(r'pattern', '', link, flags=re.MULTILINE)

正则表达式匹配默认区分大小写。

如果由于某种原因 RSS 文件变得不规则，您的脚本将失败。在这种情况下，您应该考虑使用适当的解析器，例如lxml。

于 2013-07-16T16:32:20.913 回答