在字符串中查找数字并递减它们

Question

我有一个 HTML 页面，其中列出了很长的主题索引和页码。我想查找所有页码及其锚标记链接，并将页码减少1。

这是 HTML 中的示例行：

<p class="index">breakeven volume (BEV), <a href="ch02.xhtml#page28">28</a></p>

我正在尝试在这两个地方找到数字28，并减少1。

到目前为止，我已经能够找到该数字并将其替换为自身，但我不知道如何减少它。到目前为止我的代码：

import fileinput
import re

for line in fileinput.input():
    line = re.sub(r'\>([0-9]+)\<', r'>\1<', line.rstrip())
    print(line)

Answer 1

您可以在替换时使用替换函数：

import re
s = '<p class="index">breakeven volume (BEV), <a href="ch02.xhtml#page28">28</a></p>'
re.sub(r'page(\d+)">\1', lambda m: 'page{0}">{0}'.format(int(m.group(1)) - 1), s)

结果：

<p class="index">breakeven volume (BEV), <a href="ch02.xhtml#page27">27</a></p>

page(\d+)">\1 我们匹配 page 后跟一个数字，然后是一个 ">，然后是与第一对括号中的模式中相同的数字(\1)。

替换函数将匹配作为参数。所以我们取匹配的第一组（m.group(1)），也就是数字，我们解析它并递减它。然后我们使用递减的数字重构新的字符串。

Answer 2

请注意，您可以将 函数 作为 repl 参数传递给 re.sub，对于每个不重叠的 @ 987654326@":

def decrement(match):
    """Decrement the number in the match."""
    return str(int(match.group()) - 1)

请注意，这期望match.group() 代表一个整数；要仅捕获数字，而不包括 > 和 <，请使用环视（参见 demo）：

page_num = re.compile(r'''
    (?<=>) # a > before the group
    \d+    # followed by one or more digits
    (?=<)  # and a < after the group
''', re.VERBOSE)

这可以按您的要求工作：

>>> page_num.sub(decrement, line)
'<p class="index">breakeven volume (BEV), <a href="ch02.xhtml#page28">27</a></p>'

并且可以类似地应用于'#page28"'。

但是，请注意，您通常应该使用真正的 HTML 解析器，而不是正则表达式来解析 HTML（不是常规语言）。