寻找包含字母数字+“&”和“;”的正则表达式

Question

这是问题所在：

split=re.compile('\\W*')

这个正则表达式在处理正则词时工作正常，但有时我需要表达式包含käyttäj&aml;auml; .

我应该在正则表达式中添加什么来包含&和; 人物？

Answer 1

我会将实体视为一个单元（因为它们也可以包含数字字符代码），从而得到以下正则表达式：

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

这匹配

• 一个单词字符（包括“ _ ”），或
• 一个 HTML 实体，包括
  • 字符“ & ”，
    • 字符“ # ”，
      • 字符“ x ”后跟至少一个十六进制数字，或
      • 至少一位十进制数字，或
    • 至少一个字母（=命名实体），
  • 分号
• 至少一次。

/编辑：感谢 ΤΖΩΤΖΙΟΥ 指出错误。

Answer 2

你可能想把问题反过来，即找到所有没有空格的字符：

[^ \t\n]*

或者您想添加额外的字符：

[a-zA-Z0-9&;]*

如果您想匹配 HTML 实体，您应该尝试以下操作：

(\w+|&\w+;)*

Answer 3

您应该创建一个包含额外字符的字符类。 例如：

split=re.compile('[\w&;]+')

这应该可以解决问题。 供你参考

• \\w （小写 'w'）匹配单词字符（字母数字）
• \\W （大写 W）是一个否定字符类（意味着它匹配任何非字母数字字符）
• *匹配 0 次或多次， +匹配一次或多次，因此*将匹配任何内容（即使那里没有字符）。

Answer 4

看起来这个 RegEx 做到了：

split=re.compile('(\\\W+&\\\W+;)*')

感谢您的建议。 他们中的大多数人在 Reggy 上工作得很好，但我不太明白为什么他们在re.compile失败了。