正则表达式re.sub的不完全替换及其完全解

title:中正则表达式re.sub的不完全替换及其根本原因

to c : TrueComment : Truedate : 2018-08-27 21:48:22 tags :[' Python '，'正则表达式'] Category 3360 ['Python']-

问题描述

问题的原因来自于一次常规的换人。要从一段HTML代码中提取文本并移除所有的HTML标签和属性，您可以编写一个Python函数：

导入redef remove _ tag(html): text=re . sub('。*?'，''，html，re。s)返回文本这段代码使用正则表达式的替换函数re.sub。此函数的第一个参数表示需要替换的内容的正则表达式。由于HTML标记用尖括号括起来。*?您可以匹配所有xxx yyy='zzz '和/xxx。

第二个参数指示匹配的内容将替换哪些内容。因为我需要提取文本，所以我只需要用空字符串替换所有的HTML标签。第三个参数是需要替换的文本，在本例中是HTML源代码段。

至于re。我在四年前的一篇文章《https://www.jb51.net/article/146384.htm》中谈到了它的用法

现在使用一段HTML代码来测试它：

导入redef remove _ tag(html): text=re . sub('。*?'，''，html，re。s)返回文字来源_ 1=''' div class=' content '今天的主角是a href='xxx'kingname/a，让我们鼓掌！/div ' ' ' text=remove _ tag(source _ 1)print(text)如下图所示运行，其功能完全符合预期

让我们测试一下代码中有换行符的情况：

导入redef remove _ tag(html): text=re . sub('。*?'，''，html，re。s)返回文字来源_ 2=''' div class=' content '今天的主角是a href='xxx'kingname/a，让我们鼓掌！/div ' ' ' text=remove _ tag(source _ 2)print(text)如下图所示运行，完全符合预期。

经过测试，在大多数情况下，文本可以从HTML代码段中提取出来。但也有例外。

例外

有一个很长的HTML代码段，内容如下：

img/span span met king name/span/a span class=' URL-icon ' img/span span温柔/span/a span #清南#/span/a br/就在这里…br/我的小王子呢？运行效果如下图所示，最后两个HTML标签替换失败。

起初，我认为这是由HTML中的空格或引号引起的，所以我简化了HTML代码：

img/span span span met king name/span/a span mg/span span温柔/span/a span # qingnan #/span/ABR/就在这里…br/我的小王子的问题依然存在，如下图所示。

更令人惊讶的是，如果删除第一个标签img，替换结果中就会少一个标签，如下图所示。

事实上，不仅删除第一个标签，而且删除任何以前的标签都可以减少结果中的一个标签。如果删除前两个或更多标签，结果是正常的。

常见问题解答

这个看似奇怪的问题的根本原因在于re.sub的第四个参数，从函数原型可以看出：

def sub的第四个参数(模式，repl，字符串，count=0，flags=0)是count，表示替换号，re。如果要使用的话，应该使用s作为第五个参数。因此，如果remove_tag函数被修改，结果是正确的：

def remove _ tag(html): text=re . sub('。*?'，''，html，flags=re。s)返回文本然后问题来了，放re。s在count的位置，为什么代码没有报错？是re。这是一个数字吗？事实上，如果你把它打印出来，你会发现戒指。s真的可以用作数字：

导入重新打印(int(re。S))16现在，我回去统计有问题的HTML代码，发现最后两个额外的br标签只是第17个和第18个标签。自从re。按计数填写的s可以视为16，Python将用空字符串替换前16个标签，留下最后两个。

在这一点上，问题的原因很清楚。

这个问题没有被早期发现有几个原因：

被替换的HTML代码是一个代码段。大多数情况下，HTML标签不到16个，所以问题是隐藏的。Re。s是一个对象，但也是一个数字，count接收的参数恰好是一个数字。在许多编程语言中，常数用数字表示，然后用有意义的大写字母表示。戒指。s处理是div \n而不是div\n/div，但是测试的代码段的标签是第二种情况，所以加re的效果。代码段中的s是相同的。

补充：下面介绍正则表达式re.sub()的替换函数

Re.sub()替换功能

Re.sub是正则表达式函数，用于通过正则表达式替换比普通字符串替换更强大的替换函数。使用replace()可以实现简单的替换功能。

def main(): text='123，word！'text1=text.replace('123 '，' Hello ')print(text 1)if _ _ name _ _==' _ _ main _ _ ' : main()# Hello，wold！如果您通过re.sub(0)函数，您可以匹配任何数字并替换它：

导入redef main(): Content=' ABC 124 hello 46 goodbye 67 shit ' list 1=re . findall(r ' \ d '，Content)print(list 1)my list=list(map(int，list 1))print(my list)print(sum(my list))print(re . sub(r ' \ d[Hg]'，' foo1 '，Content))print()print(re . sub(r ' \ d '，' 456654 '，Content))if _ _ name _=' _ _ main _ _ ' 33666

以上就是边肖介绍的正则表达式re.sub的不完全替换问题及完整解决方案。希望对大家有帮助。如果你有任何问题，请给我留言，边肖会及时回复你。非常感谢您对我们网站的支持！