re.sub無法執行-即使找到了正則表達式模式？

Question

考慮一下我在Python 2.7上運行過的示例：

#!/usr/bin/env python
# -*- coding: utf-8 -*-

import re

tstr = r'''    <div class="thebibliography">
   <p class="bibitem" ><span class="biblabel">
 [1]<span class="bibsp">   </span></span><a
 id="Xtester"></a><span
class="cmcsc-10">A<span
class="small-caps">k</span><span
class="small-caps">e</span><span
class="small-caps">g</span><span
class="small-caps">c</span><span
class="small-caps">t</span><span
class="small-caps">o</span><span
class="small-caps">r</span>,</span>
   <span
class="cmcsc-10">P. D.</span><span
class="cmcsc-10"> H.  </span> testöng ... .  <span
class="cmti-10">Draftin:</span>
   <a
href="http://www.example.com/test.html" class="url" ><span
class="cmitt-10">http://www.example.com/test.html</span></a> (2001).
</p>
   </div>

'''

# remove <a id>
tout2 = re.sub(r'''<a[\s]*?id=['"].*?['"][\s]*?></a>''', " ", tstr, re.DOTALL)
# remove class= in <a
regstr = r'''(<a.*?)(class=['"].*?['"])([\s]*>)'''
print(  re.findall(regstr, tout2, re.DOTALL))             # finds
print("------") #
print(      re.sub(regstr, "AAAAAAA", tout2, re.DOTALL )) # does nothing?

當我運行此命令時-第一個正則表達式已按預期替換/替換（消失了）； 然后在輸出中我得到：

[('<a\nhref="http://www.example.com/test.html" ', 'class="url"', ' >')]

...這意味着第二個正則表達式正確編寫了（找到了所有三個部分）-但是，當我嘗試將所有代碼段替換為“ AAAAAAA”時-輸出的那部分沒有任何反應：

------
    <div class="thebibliography">
   <p class="bibitem" ><span class="biblabel">
 [1]<span class="bibsp">   </span></span> <span
class="cmcsc-10">A<span
class="small-caps">k</span><span
class="small-caps">e</span><span
class="small-caps">g</span><span
class="small-caps">c</span><span
class="small-caps">t</span><span
class="small-caps">o</span><span
class="small-caps">r</span>,</span>
   <span
class="cmcsc-10">P. D.</span><span
class="cmcsc-10"> H.  </span> testöng ... .  <span
class="cmti-10">Draftin:</span>
   <a
href="http://www.example.com/test.html" class="url" ><span
class="cmitt-10">http://www.example.com/test.html</span></a> (2001).
</p>
   </div>

顯然，正如我期望的那樣，這里沒有“ AAAAAAA”。

問題是什么，我應該怎么做才能讓sub替換顯然已找到的匹配項？

Answer 1

為什么不使用HTML解析器來解析和修改HTML 。

例如，使用BeautifulSoup和replace_with() ：

from bs4 import BeautifulSoup

data = """Your html here"""
soup = BeautifulSoup(data)

for link in soup('a', id=True):
    link.replace_with('AAAAAA')

print(soup.prettify())

這會將所有具有id屬性的鏈接替換為AAAAAA文本：

<div class="thebibliography">
<p class="bibitem">
<span class="biblabel">
 [1]
 <span class="bibsp">
 </span>
</span>
AAAAAA
<span class="cmcsc-10">
...

另請參閱：

• RegEx匹配XHTML自包含標簽以外的打開標簽

Answer 2

由於誤用了re.sub方法，因此無法進行替換。如果您查看文檔，請執行以下操作：

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

但是在代碼中，您將“標志”放在“計數”位置。 這就是為什么re.DOTALL標志被忽略，原因是它位於錯誤的位置。

由於您不需要使用count參數，因此可以刪除re.DOTALL標志並使用內聯修飾符：

regstr = r'''(?s)(<a.*?)(class=['"].*?['"])([\s]*>)'''

但是，使用bs4之類的東西可能更方便。 （如您在@alecxe答案中所見）。

Answer 3

這很簡單：Python標准庫參考說語法或re.sub是： re.sub(pattern, repl, string, count=0, flags=0) 。 因此，您的最后一個子實際上是（如re.DOTALL == 16）：

re.sub(regstr, "AAAAAAA", tout2, count = 16, flags = 0 )

當您需要時：

re.sub(regstr, "AAAAAAA", tout2, flags = re.DOTALL )

最后一個子效果很好...

Answer 4

問題是-您的論點錯了 。

Python 2.7來源：

def re.sub(pattern, repl, string, count=0, flags=0):
     //code

在這里，您的參數re.DOTALL被視為count參數。

FIX：使用re.sub(regstr, "AAAAAAA", tout2, flags=re.DOTALL )代替

注意：如果您嘗試將編譯與正則表達式一起使用，則sub可以正常工作。

Answer 5

好吧，在這種情況下，顯然，我應該使用一個已編譯的regex對象（而不是直接通過re.模塊調用），並且一切似乎都可以工作（甚至可以使用反向引用）-但我仍然不明白為什么這個問題發生了嗎？ 了解最終為什么會很好...無論如何，這是經過更正的代碼段：

# remove <a id>
tout2 = re.sub(r'''<a[\s]*?id=['"].*?['"][\s]*?></a>''', " ", tstr, re.DOTALL)
# remove class= in <a
regstr = r'''(<a.*?)(class=['"].*?['"])([\s]*>)'''
pat = re.compile(regstr, re.DOTALL)
#~ print(  re.findall(regstr, tout2, re.DOTALL))             # finds
print(  pat.findall(tout2))             # finds
print("------") #
# re.purge() # no need
print(      pat.sub(r'\1AAAAAAA\3', tout2, re.DOTALL )) # does nothing?

...這是輸出：

[('<a\nhref="http://www.example.com/test.html" ', 'class="url"', ' >')]
------
    <div class="thebibliography">
   <p class="bibitem" ><span class="biblabel">
 [1]<span class="bibsp">   </span></span> <span
class="cmcsc-10">A<span
class="small-caps">k</span><span
class="small-caps">e</span><span
class="small-caps">g</span><span
class="small-caps">c</span><span
class="small-caps">t</span><span
class="small-caps">o</span><span
class="small-caps">r</span>,</span>
   <span
class="cmcsc-10">P. D.</span><span
class="cmcsc-10"> H.  </span> testöng ... .  <span
class="cmti-10">Draftin:</span>
   <a
href="http://www.example.com/test.html" AAAAAAA ><span
class="cmitt-10">http://www.example.com/test.html</span></a> (2001).
</p>
   </div>