python - Python regex：搜索 HTML 标签并修改它们

Question

我有一个 HTML 文件作为字符串，并想全部更改<img src="http:.../../filename.png ..>为<img src="id:filename.png>如何使用正则表达式执行此操作？

到目前为止我得到了这个：

urls = re.findall(r'src=[\'"]?([^\'" >]+)', html)
allUrls = ', '.join(urls)

Answer 1

如果您控制 HTML，那么正则表达式就可以了。

Python：

import re
html = re.sub(r'(<img src=").+/(.+">)', r'\1id:\2', html)

HTML：

<img src="http://example.com/filename1.jpg">
<img src="http://example.com/filename2.jpg">

否则，正则表达式会变得非常混乱。我建议lxml。 BeautifulSoup也很棒。

import lxml.etree, os, urlparse
root = lxml.etree.HTML(html)
for img in root.iter("img"):
    src = img.get("src", None)
    if src is not None:
        if urlparse.urlparse(src).scheme in ("http", "https"):
            src_path = urlparse.urlparse(src).path
            src_path_base = os.path.basename(src)
            src = "id:" + os.path.basename(src)
            img.set("src", src)
html = lxml.etree.tostring(root)

这可以处理许多使用正则表达式即使不是不可能的情况也会很尴尬的情况。例子：

<img src=http://example.com/filename.jpg>

<img src=http%3A%2F%2Fexample.com%2Ffilename.jpg>

<img title="src=http://example.com/bait.jpg" src=http://example.com/filename.jpg>

<img src=data:image/gif;base64,R0lGODlhAQABAAAAACH5BAEKAAEALAAAAAABAAEAAAICTAEAOw==>

<img
src
= 
http://example.com/filename.jpg
>

<img src="http://example.com/book report cover.jpg"> <!-- invalid but common -->