如何僅解析帶有正則表達式的HTML文件中文本中的外來字符

Question

我正在嘗試解析HTML並自動更改任何外來字符的字體，並且遇到了一些問題。 我嘗試通過幾種不同的方法來實現這一目標，但是沒有一種方法能很好地工作，我想知道是否有人有任何想法。 使用python有什么簡單的方法可以將所有外來字符（特別是日語漢字/平假名/片假名）與正則表達式進行匹配？ 我一直在使用的是一組非外國字符（[^ A-Za-z0-9 <>'“ =]）的補碼，但是效果不佳，我擔心它會匹配<...>中包含的內容，我不想這樣做。

Answer 1

我不會只為此使用正則表達式。 沿着這條道路處於憤怒托尼小馬 。

不過，我會結合使用HTML解析器和正則表達式。 這樣，您就可以區分標記和非標記。

Answer 2

使用BeautifulSoup獲取所需的內容，然后對該代碼使用變體以匹配您的字符。

import re

kataLetters = range(0x30A0, 0x30FF)
hiraLetters = range(0x3040, 0x309F)
kataPunctuation = range(0x31F0,0x31FF)

myLetters = kataLetters+kataPunctuation+hiraLetters

myLetters = u''.join([unichr(aLetter) for aLetter in myLetters])


myRe = re.compile('['+myLetters+']+', re.UNICODE)

使用此處的代碼表獲取字符的范圍。