评论

评论

这篇文章还没有任何评论。快来成为第一个评论者吧!

python 用正则移除html标签及re.sub详解

方法一(pattern正则匹配实例去调用 sub方法)

html = '<a href="https://zuiseng.com">醉僧</a>blog'
pattern = re.compile(r'<[^>]+>', re.S)
new_html = pattern.sub('', html)
print(new_html)

方法二(re去掉用 sub方法)

html = '<a href="https://zuiseng.com">醉僧</a>blog'
pattern = re.compile(r'<[^>]+>', re.S)
new_html = re.sub(pattern,'', html)
print(new_html)

【参考】

re.sub的功能

re是regular expression的所写,表示正则表达式

sub是substitute的所写,表示替换;

re.sub是个正则表达式方面的函数,用来实现通过正则表达式,实现比普通字符串的replace更加强大的替换功能;

举个最简单的例子:

如果输入字符串是:

inputStr = "hello 111 world 111"

那么你可以通过

replacedStr = inputStr.replace("111", "222")

去换成

"hello 222 world 222"

但是,如果输入字符串是:

inputStr = "hello 123 world 456"

而你是想把123和456,都换成222

(以及其他还有更多的复杂的情况的时候),

那么就没法直接通过字符串的replace达到这一目的了。

就需要借助于re.sub,通过正则表达式,来实现这种相对复杂的字符串的替换:

replacedStr = re.sub("\d+", "222", inputStr)

当然,实际情况中,会有比这个例子更加复杂的,其他各种特殊情况,就只能通过此re.sub去实现如此复杂的替换的功能了。

所以,re.sub的含义,作用,功能就是:

对于输入的一个字符串,利用正则表达式(的强大的字符串处理功能),去实现(相对复杂的)字符串替换处理,然后返回被替换后的字符串

其中re.sub还支持各种参数,比如count指定要替换的个数等等。

下面就是来详细解释其各个参数的含义。

re.sub的各个参数的详细解释

re.sub共有五个参数。

其中三个必选参数:patternreplstring

两个可选参数:countflags

第一个参数:pattern

pattern,表示正则中的模式字符串,这个没太多要解释的。

需要知道的是:

  • 反斜杠加数字(\N),则对应着匹配的组(matched group)
    • 比如\6,表示匹配前面pattern中的第6个group
    • 意味着,pattern中,前面肯定是存在对应的,第6个group,然后你后面也才能去引用

比如,想要处理:

hello crifan, nihao crifan

且此处的,前后的crifan,肯定是一样的。

而想要把整个这样的字符串,换成crifanli

则就可以这样的re.sub实现替换:

inputStr = "hello crifan, nihao crifan";
replacedStr = re.sub(r"hello (\w+), nihao \1", "crifanli", inputStr);
print "replacedStr=",replacedStr; #crifanli

第二个参数:repl

repl,就是replacement,被替换,的字符串的意思。

repl可以是字符串,也可以是函数。

repl是字符串

如果repl是字符串的话,其中的任何反斜杠转义字符,都会被处理的。

即:

  • \n:会被处理为对应的换行符;
  • \r:会被处理为回车符;
  • 其他不能识别的转移字符,则只是被识别为普通的字符:
    • 比如\j,会被处理为j这个字母本身;
  • 反斜杠加g以及中括号内一个名字,即:\g<name>,对应着命了名的组,named group

接着上面的举例:

想要把对应的:

hello crifan, nihao crifan

中的crifan提取出来,只剩:

crifan

就可以写成:

inputStr = "hello crifan, nihao crifan";
replacedStr = re.sub(r"hello (\w+), nihao \1", "\g<1>", inputStr);
print "replacedStr=",replacedStr; #crifan

对应的带命名的组(named group)的版本是:

inputStr = "hello crifan, nihao crifan";
replacedStr = re.sub(r"hello (?P<name>\w+), nihao (?P=name)", "\g<name>", inputStr);
print "replacedStr=",replacedStr; #crifan

repl是函数

举例说明:

比如输入内容是:

hello 123 world 456

想要把其中的数字部分,都加上111,变成:

hello 234 world 567

那么就可以写成:

#!/usr/bin/python
# -*- coding: utf-8 -*-
 
import re;
 
def pythonReSubDemo():
    """
        demo Pyton re.sub
    """
    inputStr = "hello 123 world 456";
     
    def _add111(matched):
        intStr = matched.group("number"); #123
        intValue = int(intStr);
        addedValue = intValue + 111; #234
        addedValueStr = str(addedValue);
        return addedValueStr;
         
    replacedStr = re.sub("(?P<number>\d+)", _add111, inputStr);
    print "replacedStr=",replacedStr; #hello 234 world 567
 
###############################################################################
if __name__=="__main__":
    pythonReSubDemo();

第三个参数:string

string,即表示要被处理,要被替换的那个string字符串。

没什么特殊要说明。

第四个参数:count

举例说明:

继续之前的例子,假如对于匹配到的内容,只处理其中一部分。

比如对于:

hello 123 world 456 nihao 789

只是像要处理前面两个数字:123,456,分别给他们加111,而不处理789,

那么就可以写成:

#!/usr/bin/python
# -*- coding: utf-8 -*-
 
import re;
 
def pythonReSubDemo():
    """
        demo Pyton re.sub
    """
    inputStr = "hello 123 world 456 nihao 789";
     
    def _add111(matched):
        intStr = matched.group("number"); #123
        intValue = int(intStr);
        addedValue = intValue + 111; #234
        addedValueStr = str(addedValue);
        return addedValueStr;
         
    replacedStr = re.sub("(?P<number>\d+)", _add111, inputStr, 2);
    print "replacedStr=",replacedStr; #hello 234 world 567 nihao 789
 
###############################################################################
if __name__=="__main__":
    pythonReSubDemo();

第五个参数:flags

关于re.sub的注意事项

然后再来整理一些,关于re.sub的注意事项,常见的问题及解决办法:

要注意,被替换的字符串,即参数repl,是普通的字符串,不是pattern

注意到,语法是:

re.sub(pattern, repl, string, count=0, flags=0)

即,对应的第二个参数是repl。

需要你指定对应的r前缀,才是pattern:

r"xxxx"

不要误把第四个参数flag的值,传递到第三个参数count中了

遇到的问题:

当传递第三个参数,原以为是flag的值是,

结果实际上是count的值

所以导致re.sub不功能,

所以要参数指定清楚了:

replacedStr = re.sub(replacePattern, orignialStr, replacedPartStr, flags=re.I); # can omit count parameter

或:

replacedStr = re.sub(replacePattern, orignialStr, replacedPartStr, 1, re.I); # must designate count parameter

才可以正常工作。

0
分享本页
微信扫一扫浏览本页

我们注意到您的浏览器版本过低。本站需要在更现代的浏览器上才能充分展现,我们推荐您下载谷歌Chrome浏览器来浏览本站。

下载谷歌浏览器