re.sub 不替换匹配 [重复]

Posted 2023-02-21

【中文标题】re.sub 不替换匹配 [重复]

【英文标题】：re.sub don't replace match [duplicate]

【发布时间】：2019-06-08 10:01:50

【问题描述】：

我有一个 html 文件，其中有一些需要删除的部分。 除了一个，所有部分都将被删除。我可以给你一个小例子，但是正则表达式编辑器识别该部分是很奇怪的。

我想删除<!-- 和--> 之间的所有内容，但它不起作用。

test = '<br/><br/>    </span>    <!--TABLE<table class=MsoTableGrid border=1 cellspacing=0 cellpadding=0 style=\'border-collapse:collapse;border:none\'>        <tr style=\'height:12.95pt\'>            <td width=225 valign=top style=\'width:109.45pt;border:solid windowtext 1.0pt;padding:2.4pt 5.4pt 2.4pt 5.4pt;height:12.95pt\'>                <span style=\'font-family:"Arial",sans-serif\'>                    <b>Kontosaldo in \x80</b>                </span>            </td>        </tr>        <tr style=\'height:12.95pt\'>            <td width=146 valign=top style=\'width:109.45pt;border:solid windowtext 1.0pt;padding:2.4pt 5.4pt 2.4pt 5.4pt;height:12.95pt\'>                <span style=\'font-family:"Arial",sans-serif\'>                    [substringR]                </span>            </td>        </tr>    </table>TABLE-->'
r = re.compile(r"(?<=<!--)([\s\n.<>\]\[\\=;,€\/\-\'\":\w\n]+)(?=-->)")
mystring = r.sub('', test)

【问题讨论】：

与问题没有直接关系，但我使用 BeautifulSoap 而不是使正则表达式复杂化。像这里的东西：***.com/questions/33138937/…

BeautifulSoap 对我来说是一个新的 @Aaron_ab ！

【参考方案1】：

“<!-- 和 --> 之间的所有内容” 都是这个表达式：

<!--.*?-->

替换为空字符串。使用re.DOTALL flag 编译。

---

注意 使用正则表达式修改 HTML 是灾难的根源。不要这样做。这个特定的任务，即“删除 cmets”是一个灰色区域：Regex 无法处理可以任意嵌套的语言（例如 HTML），但 HTML cmets 不能嵌套，因此很有可能它可以工作。但是，不要尝试“替换所有表”的相同方法，它不会起作用。

但是，HTML 仍然可以正常工作，并且在很多方面仍然被严重破坏，即使对于这项任务，当您尝试在它们上使用这种看似安全的正则表达式时，将是完全分解的 HTML 文件。

正如@Aaron 建议的那样，正确的方法是：将 HTML 文件解析为 DOM 树。查找要删除的节点。将 DOM 树写回文件；如这个答案所示：How to find all comments with Beautiful Soup。

【讨论】：

它的简单程度令人恐惧。难怪它对我不起作用。

但是请注意我的警告 - 这种简单性是危险的。不要尝试使用正则表达式执行比这更复杂的任务。甚至“修改此属性值”也是一项需要 HTML 解析器的任务，我什至不是在谈论诸如“添加表格行”之类的结构修改。