如何通过python忽略正则表达式中的html注释标签

Posted 2023-03-29

【中文标题】如何通过python忽略正则表达式中的html注释标签

【英文标题】：How to Ignore html comment tag in regex through python

【发布时间】：2021-08-25 19:30:09

【问题描述】：

我正在用一些 asci 代码替换特殊字符，并在下面的正则表达式的帮助下忽略 html 标签

text_list = re.findall(r'>([\S\s]*?)<', html)

所以它忽略了我们想要的所有 html 标记，但没有忽略 html 注释结束标记“-->”。

任何帮助表示赞赏。 我应该在正则表达式中更改什么。

附上截图供大家参考。

【问题讨论】：

为什么要在 HTML 中使用正则表达式？使用 HTML 解析器，例如 BeautifulSoup。

我们不能使用汤，因为我正在返回修改文件。

您说的是“忽略”和“替换”，但它并没有完全解释您对正则表达式所做的事情。您需要展示更多代码或更好地解释它。

谁说不能使用 BeautifulSoup 修改文件？

你能给我举个例子，我可以在 beautifulSoup 的帮助下用 asci 代码替换特殊字符。真的很有帮助..

【参考方案1】：

请尝试边读文件请传递多个编码参数

【参考方案2】：

您可以匹配它们并使用re.findall 丢弃：

text_list = list(filter(None, re.findall(r'(?s)<!--.*?-->|>(.*?)<', html)))
# Or, a bit more efficient:
text_list = list(filter(None, re.findall(r'<!--[^-]*(?:-(?!->)[^-]*)*-->|>([^<]*)<', html)))

见this regex demo（和second one）。

正则表达式匹配<!-- 和--> 之间的子字符串，并匹配< 和> 之间的子字符串，捕获后两个分隔符之间的文本到组1 和re.findall 中如果模式中有捕获组，则返回捕获。

见Python demo：

import re
html = "<a href='link.html'>URL</a>Some text <!-- Comment --><p>Par here</p>More text"
text_list = list(filter(None, re.findall(r'(?s)<!--.*?-->|>(.*?)<', html)))
print(text_list)
# => ['URL', 'Some text ', 'Par here']

【讨论】：

感谢您的回复，我已经尝试过了，但它不起作用..它给出了相同的输出。

@VishalJ 这意味着您要么有不同的输入，要么您实际上并没有使用我的解决方案。如果您需要更多帮助，请使用ideone.com/hVQi1F 告诉我您 有哪些代码和输入（单击fork，编辑代码，运行，然后与我分享新链接)。