正则表达式只匹配不属于HTML标记的文本？(蟒蛇)

Question

只要不在HTML标记内,我怎样才能进行模式匹配？

以下是我的尝试.任何人都有更好/不同的方法？

import re

inputstr = 'mary had a <b class="foo"> little loomb</b>'

rx = re.compile('[aob]')
repl = 'x'

outputstr = ''
i = 0

for astr in re.compile(r'(<[^>]*>)').split(inputstr):
    i = 1 - i

    if i:
        astr = re.sub(rx, repl, astr)

    outputstr += astr

print outputstr

输出:

mxry hxd x <b class="foo"> little lxxmx</b>

笔记:

• 匹配HTML标签的<[^>]*>模式显然存在缺陷 - 我快速写了这个并没有考虑引用属性中尖括号的可能性(例如'<img alt ="next>"/>' ).它也不考虑<script>或<style>标签或注释.

Answer 1

既然你正在使用Python,如果我是你,我会看看Beautiful Soup,这是一个Python HTML/XML解析器.真的,有很多特殊情况和头痛,编写自己的解析器,它不值得努力.您的正则表达式将变得难以管理,并且在所有情况下仍然无法产生正确的结果.

只需使用美丽的汤.