正則表達式以匹配python中的不同腳本標簽

Question

我需要匹配不同的腳本標簽，例如這樣

 <script src="//ajax.googleapis.com/ajax/libs/jquery/1.11.1/jquery.min.js"></script>
 <script type="text/javascript">
 jQuery(document).ready(function()
 {
    jQuery("#gift_cards").tooltip({ effect: \'slide\'});
 });
 </script>
 <script>dasdfsfsdf</script>

我也只需要獲取標簽和創建正則表達式的組中的src內容

(<\s*?script[\s\S]*?(?:src=['"](\S+?)['"])?\B[\S\s]*?>)([\s\S]*?)(</script>)

這與最后一個腳本標簽不匹配

它出什么問題了？

編輯：刪除\\ B確實匹配所有腳本標簽，但是后來我沒有在單獨的組中獲得src屬性的內容。 我需要做的是從兩個類別的腳本標簽組中

1. 一個帶有src屬性的腳本，該腳本具有實際腳本的路徑
2. 第二個沒有src屬性的普通內聯javascript

我需要刪除腳本的打開和關閉標簽，但將內容保留在標簽內如果是第一種類型，我仍然需要刪除標簽，但將路徑保存在單獨的表中，希望可以進一步闡明它

Answer 1

正如iCodez的鏈接很有趣地顯示的那樣，正則表達式不應該解析HTML，因為HTML不是一種常規語言。 而是嘗試使用諸如BeautifulSoup的解析器。 確保還安裝了lxml和html5lib以獲得最佳性能並訪問所有功能。

pip install lxml html5lib beautifulsoup4

應該可以。

Answer 2

如果我同意不使用RegExp解析HTML的所有評論，並且還提供了我自己確信自己將處理的文檔足夠常規的情況，那么我自己可以沉迷於這種邪惡的做法，請嘗試刪除\\B ，在我的測試中匹配所有三個腳本。

順便說一下，這個“無邊界”是什么意思？ 我不確定我理解您為什么插入它。 如果出於某種原因有必要我不明白，請告訴我，我們將嘗試尋找另一種方法。

編輯：為了保留src內容，請嘗試

(<\s*?script[\s\S]*?(?:(?:src=[\'"](.*?)[\'"])(?:[\S\s]*?))?>)([\s\S]*?)(</scrip‌​t>)

這對我有用，請對照您的其他樣本。 考慮您的first [\\s\\S]*? 在沒有“ src”屬性時已經匹配了所有內容，直到>為止，因此第二個條件只有在“ src”存在並且您要匹配其他可能的屬性時才有意義。

Answer 3

對於傻笑，這是我完全偶然發現的一種超簡單方式（作為js字符串，該字符串將被饋送到RegExp構造函數中：

'src =（= | =“）'+ yourPathHere +'[^ <] <\\ / script>'

yourPathHere的正斜杠已轉義； 因此，作為純RE，類似：

/src=(=|=")/scripts/someFolder/script.js[^<]</script>/

在嘗試找出gulp流時，我在gulp任務中使用的::]