Python在正则表达式匹配中查找多个正则表达式匹配

Question

我正在尝试使用 re.sub() 将所有 html 标签 < 和 > 更改为 { 和 }。问题是：我只想更改<table 和</table> 之间的匹配。

我一生都找不到一个正则表达式教程或帖子，其中一个能够更改每个正则表达式匹配，但只能在其他两个正则表达式匹配之间。我看过正面/负面的前瞻和后视教程等，但没有运气。在决定发布之前已经进行了几个小时的搜索。

这是我目前为止最好的：

(?<=<table)(?:.*?)(<)(?:.*)(?=<\/table>)

这将匹配表格开始和结束标记之间的一个“

所有这一切的重点是，我有一个包含大量 HTML 的字符串，我想将所有 HTML 标记以及表格本身保留在表格中。

我目前的计划是将表格中的所有标签（以及表格标签本身）更改为 { 或 }，然后删除整个文档中的所有 HTML 标签 ，然后将所有 { 和 } 更改回 。这样做应该保留表格（以及里面的任何其他标签）。

输入示例：

<font style = "font-family:inherit>
<any other HTML tags>

random text

<table cellpadding="0" cellspacing="0" style="font-family:times new 
roman;font-size:10pt;width:100%;border-collapse:collapse;text-align:left;">
<tr>
<td colspan="3">
<font style="font-family:inherit;font-size:12pt;font- 
weight:bold;">washington, d.c. 20549</font>
random text
<any other HTML tags within table tags>
</td>
</table>

random text

<font style = "font-family:inherit>

输出示例：

<font style = "font-family:inherit>
<any other HTML tags>

random text

{table cellpadding="0" cellspacing="0" style="font-family:times new 
roman;font-size:10pt;width:100%;border-collapse:collapse;text-align:left;"}
{tr}
{td colspan="3"}
{font style="font-family:inherit;font-size:12pt;font- 
weight:bold;"}washington, d.c. 20549{/font}
random text
{any other HTML tags within table tags}
{/td}
{/table}

random text

<font style = "font-family:inherit>

谢谢你， 熟食

Answer 1

正如 Serge 所提到的，这并不是你想用一个正则表达式来解决的问题，而是用多个正则表达式和一些 python 魔法来解决的：

def replacer(match):  # re.sub can take a function as the repl argument which gives you more flexibility
    choices = {'<':'{', '>':'}'}  # replace < with { and > with }
    return choices[match.group(0)]

result = []  # store the results here
for text in re.split(r'(?s)(?=<table)(.*)(?<=table>)', your_text): # split your text into table parts and non table parts
    if text.startswith('<table'): # if this is a table part, do the <> replacement 
        result.append(re.sub(r'[<>]', replacer, text))
    else: # otherwise leave it the same
        result.append(text)
print(''.join(result)) # join the list of strings to get the final result

查看文档以将函数用于 repl 参数 re.sub here

以及正则表达式的解释：

(?s)        # the . matches newlines 
(?=<table)  # positive look-ahead matching '<table'
(.*)        # matches everything between <table and table> (it is inclusive because of the look-ahead/behinds)   
(?<=table>) # positive look-behind matching 'table>'

还要注意，因为(.*) 在捕获组中，所以它包含在re.split 输出的字符串中（参见here）

Answer 2

不要对自己太苛刻。我不确定是否可以使用标准 re sub 一次拍摄。事实上，我认为这要么不可能，要么非常复杂。例如替换中的自定义函数（您可以在自定义函数中填充很多自定义功能，最多可以使用整个 html 解析器）

相反，我强烈推荐一个简单的解决方案是使用 split/join 进行拆分和重新组装，或者，您可能会选择一系列重新替换。

假设一张桌子l = s.split('table>'); l = [1] 会给你表格内容 和 l.split(。下面是一个多表版本

def curlyfy_el(s, tag='table'):

    return ('{%s' % tag).join(
                        [ ('{/%s}' % tag).join(
                                   [y if i != 0 else y.replace("<",  "{").replace(">", "}")
                                 for i, y in enumerate(x.split( '</%s>' % tag, 1)) 
    for x in s.split('<%s' % tag) ])

Sligty 更易读

def curlyfy_el(s, tag='table'):
    h, *t = s.split('<%s' % tag)  # stplit on some pretable text and fragments starting with table
    r = [h]
    for x in t:
        head, *tail = x.split('</%s>' % tag, 1)  # select table body and rest, 1 is to keep duplicate closure of tag in one str
        head = head.replace("<", "{")
        head = head.replace(">", "}")
        r.append( ('{/%s}' % tag).join([head, *tail]))
    return ('{/%s}' % tag).join(r)

一般处理HTML最好使用一些指定的解析库，比如beautiful soup，ad-hoc代码在很多极端情况下会失败。

Answer 3

您可以使用以下正则表达式进行匹配，然后替换为Group 1：

[\s\S]*(<table[\s\S]*?</table>)[\s\S]*

这将匹配'<table' 之前的所有内容，然后使用表格内容创建一个Group 1，然后匹配之后的所有内容。

替换为：

$1

这只会给你一个包含内容的表格。