7

我使用正则表达式来转换我想要的文本，但我想保留 HTML 标签。例如，如果我想用“堆栈下溢”替换“堆栈溢出”，这应该按预期工作：如果输入是stack <sometag>overflow</sometag>，我必须获取stack <sometag>underflow</sometag>（即字符串替换完成，但标签仍然存在......

4

6 回答 6

9

在处理 HTML 时使用 DOM 库，而不是正则表达式：

  • lxml：解析器、文档和 HTML 序列化器。也可以使用 BeautifulSoup 和 html5lib 进行解析。
  • BeautifulSoup：一个解析器、文档和 HTML 序列化器。
  • html5lib：一个解析器。它有一个序列化器。
  • ElementTree：一个文档对象，和 XML 序列化器
  • cElementTree：实现为 C 扩展的文档对象。
  • HTMLParser：一个解析器。
  • Genshi：包括解析器、文档和 HTML 序列化器。
  • xml.dom.minidom：标准库中内置的文档模型，html5lib 可以解析到。

从http://blog.ianbicking.org/2008/03/30/python-html-parser-performance/窃取。

其中我推荐 lxml、html5lib 和 BeautifulSoup。

于 2009-12-06T17:46:11.957 回答
3

Beautiful Soup或HTMLParser是您的答案。

于 2009-12-06T17:46:16.043 回答
3

请注意，不能明确地进行任意替换。考虑以下示例：

1)

HTML：

A<tag>B</tag>

模式 -> 替换：

AB -> AXB

可能的结果：

AX<tag>B</tag>
A<tag>XB</tag>

2)

HTML：

A<tag>A</tag>A

模式 -> 替换：

A+ -> WXYZ

可能的结果：

W<tag />XYZ
W<tag>X</tag>YZ
W<tag>XY</tag>Z
W<tag>XYZ</tag>
WX<tag />YZ
WX<tag>Y</tag>Z
WX<tag>YZ</tag>
WXY<tag />Z
WXY<tag>Z</tag>
WXYZ

哪种算法适用于您的案例在很大程度上取决于可能的搜索模式的性质和处理歧义的所需规则。

于 2009-12-06T21:14:12.240 回答
1

使用 html 解析器，例如由lxmlor提供BeautifulSoup。另一种选择是使用 XSLT 转换（Jython 中的 XSLT）。

于 2009-12-06T17:56:00.223 回答
0

我不认为到目前为止发布的 DOM / HTML 解析器库建议解决了给定示例中的特定问题：仅在呈现文档中的前面时才overflow应替换为，无论它们之间是否存在标签。不过，这样的库是解决方案的必要部分。underflowstack

假设标签永远不会出现在单词中间，一种解决方案是

  1. 处理 DOM，标记所有文本节点并在每个标记（例如单词）的开头插入唯一标识符
  2. 将文档呈现为纯文本
  3. 搜索并用正则表达式替换纯文本，正则表达式使用组在每个标记的开头匹配、保留和标记唯一标识符
  4. 从纯文本中提取所有带有标记的唯一标识符的令牌
  5. 通过删除唯一标识符并将与标记的唯一标识符匹配的令牌替换为相应的更改令牌来处理 DOM
  6. 将处理后的 DOM 渲染回 HTML

例子：

1. 在 HTML DOM 中，

stack <sometag>overflow</sometag>

成为 DOM

#1;stack <sometag>#2;overflow</sometag>

并在 2. 中生成纯文本：

#1;stack #2;overflow

3. 中需要的正则表达式 is#(\d+);stack\s+#(\d+);overflow\b和替换#\1;stack %\2;underflow. 请注意，只有第二个单词通过更改#为%唯一标识符来标记，因为第一个单词没有更改。

在 4. 中，从生成的纯文本中提取underflow具有唯一标识符编号的单词，因为它是通过将 更改为 a 来标记的。2#%

在 5. 中，所有#(\d+);标识符都从 DOM 的文本节点中删除，同时在提取的单词中查找它们的编号。没有找到号码1，所以#1;stack用简单的替换stack。该数字2与更改后的单词一起找到underflow，因此#2;overflow替换为underflow。

最后在 6. 将 DOM 渲染回 HTML 文档`stack underflow.

于 2009-12-06T20:52:46.083 回答
-1

有趣的东西可以尝试。它有点工作。当我将此脚本附加到文本区域并让他们“翻译”内容时，我的朋友们喜欢它。我想你真的可以用它来做任何事情。嗯。如果您要使用它，请检查几次代码，它可以工作，但我对这一切都很陌生。我想从我开始学习 php 到现在已经有 2 到 3 周了。


<?php

$html = ('<div style="border: groove 2px;"><p>Dear so and so, after reviewing your application I. . .</p><p>More of the same...</p><p>sincerely,</p><p>Important Dude</p></div>');

$oldWords = array('important', 'sincerely');

$newWords = array('arrogant', 'ya sure');

// function for oldWords
function regex_oldWords_word_list(&$item1, $key)
{

    $item1 = "/>([^<>]+)?\b$item1(tionally|istic|tion|ance|ence|less|ally|able|ness|ing|ity|ful|ant|est|ist|ic|al|ed|er|et|ly|y|s|d|'s|'d|'ve|'ll)?\b([^<>]+)?/";

}

// function for newWords
function format_newWords_results(&$item1, $key)
{

    $item1 = ">$1<span style=\"color: red;\"><em> $item1$2</em></span>$3";

}

// apply regex to oldWords
array_walk($oldWords, 'regex_oldWords_word_list');

// apply formatting to newWords
array_walk($newWords, 'format_newWords_results');

//HTML is not always as perfect as we want it
$poo = array('/  /', '/>([a-zA-Z\']+)/', '/’/', '/;([a-zA-Z\']+)/', '/"([a-zA-Z\']+)/', '/([a-zA-Z\']+)</', '/\.\.+/', '/\. \.+/');

$unpoo = array(' ', '> $1', '\'', ';  $1', '"  $1', '$1  <', '. crap taco.', '. crap taco with cheese.');

//and maybe things will go back to normal sort of
$repoo = array('/>  /', '/;  /', '/"  /', '/  </');

$muck = array('> ', ';', '"',' <');

//before
echo ($html);

//I don't know what was happening on the free host but I had to keep stripping slashes
//This is where the work is done anyway.
$html = stripslashes(preg_replace($repoo , $muck , (ucwords(preg_replace($oldWords , $newWords , (preg_replace($poo , $unpoo , (stripslashes(strtolower(stripslashes($html)))))))))));

//after
echo ('<hr/> ' . $html);

//now if only there were a way to keep it out of the area between
//<style>here</style> and <script>here</script> and tell it that english isn't math.

?>
于 2010-05-15T08:55:58.087 回答