使用 python 的 re.sub() 在指定标签之间用 替换 \n答案

【问题标题】：Replacing \n with between specified tags using python's re.sub()使用 python 的 re.sub() 在指定标签之间用 替换 \n
【发布时间】：2019-07-03 17:57:46
【问题描述】：

我在.tsv 文件中有一系列制表符分隔的 html sn-ps。这是其中一个 sn-ps 的示例：

<li> 
  <p>Create a list of letters, <code>lst</code> from the string <code>strng = &quot;abc&quot;</code>.</p> 

  <ul> 
    <li>Use the list constructor, <code>list()</code>, to create a list from a string.</li> 
  </ul> 

  <pre>
      <code class='language-python' lang='python'>
      strng = &quot;abc&quot; 
      lst = list(a) 
      #lst = [&#39;a&#39;, &#39;b&#39;, &#39;c&#39;] 
    </code>
  </pre> 

</li>

我想在<pre> <code class='language-python' lang='python'> 和</code> </pre> 标签之间用换行符  替换换行符\n，only，使用正则表达式和@987654330 @。

我尝试创建以下正则表达式来匹配所需的换行符：

(?<=<pre><code)\r\n?|\n(?<=</pre></code>)

但是，上面的正则表达式不匹配来自 sn-p 的任何换行符。虽然，如果我删除积极的后视，那么正则表达式确实匹配我需要的换行符（至少对于我在这篇文章中显示的 sn-p，a;虽然那不会对所有输入都为真）。

(?<=<pre><code)\r\n?|\n

能否在所有可能的 sn-ps 中捕获标签之间的所有换行符：<pre> <code class='language-python' lang='python'> 和 </code> </pre> 的正则表达式？

编辑：这些 sn-ps 不使用“完整”html。它们实际上是要导出到抽认卡应用程序mnemosyne。这些 sn-ps 中的每一个都代表一个抽认卡，它始终具有相同的受控 html 结构（由我定义）。因此，在这种情况下使用正则表达式不会有任何后果。此外，mnemosyne 使用的 html 渲染器不会在<pre> 标签内换行，所以我尝试使用  手动进行。

【问题讨论】：

为什么不使用 xml 解析器？
请不要这样做（用正则表达式解析 HTML）！ You'll summon TH̘Ë͖́̉ ͠P̯͍̭O̚N̐Y̡。用BeautifulSoup之类的解析，修改你关心的元素里面的文字。
所以我要问人们不喜欢的问题：为什么，鉴于<pre> 通常可以完成这项工作？这是否是您真正的问题是摆脱常见缩进的解决方法的一部分？
这些 sn-ps 不使用“完整”html。它们实际上只是要导出到抽认卡应用程序mnemosyne 的文件。这些 sn-ps 中的每一个都代表一个抽认卡，它始终具有相同的受控 html 结构（由我定义。）因此，在这种情况下使用正则表达式不会有任何后果。
@David：当然，作为介绍问题的简短句子，它不会有什么坏处:)

标签： python html regex

【解决方案1】：

如果您对自己的输入有足够的信心，可以继续使用正则表达式而不是 HTML 解析器，那么一种更简单的方法可能是使用函数作为 @ 中的替换，分两步替换987654321@:

def nl2br(text):
    return "<br>".join(text.splitlines())


re.sub("(<pre><code[^>]*>)(.*?)(</code></pre>)", lambda m: m.group(1) + nl2br(m.group(2)) + m.group(3), html, flags=re.DOTALL)

（可能需要\s*介于<pre>/<code>和</code>/</pre>之间。）

【讨论】：

【解决方案2】：

如果所有文件都只是 HTML sn-ps，即可解析的 XML，那么最好的方法就是使用 XML 解析器：

from xml.dom import minidom
xmlDocument = minidom.parse('file.tsv')
codeItem = xmldoc.getElementsByTagName('code')
codeItem.firstChild.replaceWholeText(codeItem.firstChild.nodeValue.replace('\n', '<br>'))
print xmlDocument.toxml()

【讨论】：