使用 Python 正则表达式查找/替换文档中的 URL

Question

Python 正则表达式专家！我正在尝试更改 xml 文档中的一行。 原行是：

<Tag name="low"     Value="%hello%\dir"/>

我想看到的结果是：

<Tag name="low"     Value="C:\art"/>

我失败的直截了当的尝试是：

lines = re.sub("%hello%\dir"", "C:\art"/>

这不起作用。不会改变文档中的任何内容。 % 的东西？

出于测试目的，我尝试过：

lines = re.sub("dir", "C:\art", a)

我得到：

<Tag name="low"     Value="%hello%\C:BELrt"/>

问题是 \a = BEL.

我尝试了很多其他方法，但都无济于事。我该如何解决这个问题？

Answer 1

你的问题是你有一些在正则表达式中有特定含义的字符。

\d 表示任何数字。 %hello%\dir 则为 %hello%[0-9]ir

您需要转义这些斜杠/使用原始字符串来解决这个问题：

a = '''<Tag name="low" Value="%hello%\dir"/>'''
lines = re.sub(r"%hello%\\dir", r"C:\\art", a)
print(lines) #<Tag name="low"     Value="C:\\art"/>

Answer 2

在 Python 中，在文字字符串中使用 r 前缀以避免转义斜杠。然后转义你的斜线以避免\d 匹配数字。

lines = re.sub(r"%hello%\\dir", r"C:\\art")

Answer 3

这是一个很好的问题。它同时显示了文本表示的三个问题：

• '\a' Python 字符串文字是单个 BELL 字符。

  要在 Python 源代码中输入反斜杠后跟字母“a”，您需要使用原始文字：r'\a' 或转义斜杠 '\\a'。

• r'\d'（两个字符）在解释为正则表达式时具有特殊含义（r'\d' 表示匹配正则表达式中的数字）。

  除了 Python 字符串文字的规则之外，您还需要转义可能的正则表达式元字符。在一般情况下，您可以使用re.escape(your_string)，也可以只使用r'\\d' 或'\\\\d'。 repl 部分中的 '\a' 也应转义（在您的情况下两次：r'\\a' 或 '\\\\a'）：

  >>> old, new = r'%hello%\dir', r'C:\art'
  >>> print re.sub(re.escape(old), new.encode('string-escape'), xml)
  <Tag name="low"     Value="C:\art"/>
  

  顺便说一句，在这种情况下你根本不需要正则表达式：

  >>> print xml.replace(old, new)
  <Tag name="low"     Value="C:\art"/>
  

• 最后XML attribute value can't contain certain characters也应该被转义，例如'&'、'"'、"<"等

一般来说，您不应该使用正则表达式来操作 XML。 Python 的 stdlib 有 XML 解析器。

>>> import xml.etree.cElementTree as etree
>>> xml = r'<Tag name="low"     Value="%hello%\dir"/>'
>>> tag = etree.fromstring(xml)
>>> tag.set('Value', r"C:\art & design")
>>> etree.dump(tag)
<Tag Value="C:\art &amp; design" name="low" />