Python和re.compile返回不一致的结果

Question

我正在尝试用href="../directory/index.html"替换所有的href="../directory/index.html"实例。

在Python中，这个

reg = re.compile(r'<a href="../(.*?)">')
for match in re.findall(reg, input_html):
    output_html = input_html.replace(match, match+'index.html')

产生以下输出：

href="../personal-autonomy/index.htmlindex.htmlindex.htmlindex.html"  
href="../paternalism/index.html"  
href="../principle-beneficence/index.htmlindex.htmlindex.html"  
href="../decision-capacity/index.htmlindex.htmlindex.html" 

你知道为什么它和第二个链接一起工作，但其他链接不工作吗？

资料来源的有关部分：

<p> 

 <a href="../personal-autonomy/">autonomy: personal</a> |
 <a href="../principle-beneficence/">beneficence, principle of</a> |
 <a href="../decision-capacity/">decision-making capacity</a> |
 <a href="../legal-obligation/">legal obligation and authority</a> |
 <a href="../paternalism/">paternalism</a> |
 <a href="../identity-personal/">personal identity</a> |
 <a href="../identity-ethics/">personal identity: and ethics</a> |
 <a href="../respect/">respect</a> |
 <a href="../well-being/">well-being</a> 

</p> 

编辑：重复的'index.html‘实际上是多个匹配的结果。(例如，href="../personal-autonomy/index.htmlindex.htmlindex.htmlindex.html“是因为在原始源中发现了四次个人自主权)。

作为一个一般性的正则问题，您如何在不向所有匹配添加额外的“index.html”的情况下替换所有实例？

Answer 1

不要用regexs解析html：

import re    
from lxml import html

def replace_link(link):
    if re.match(r"\.\./[^/]+/$", link):
        link += "index.html"
    return link

print html.rewrite_links(your_html_text, replace_link)

输出

<p> 

 <a href="../personal-autonomy/index.html">autonomy: personal</a> |
 <a href="../principle-beneficence/index.html">beneficence, principle of</a> |
 <a href="../decision-capacity/index.html">decision-making capacity</a> |
 <a href="../legal-obligation/index.html">legal obligation and authority</a> |
 <a href="../paternalism/index.html">paternalism</a> |
 <a href="../identity-personal/index.html">personal identity</a> |
 <a href="../identity-ethics/index.html">personal identity: and ethics</a> |
 <a href="../respect/index.html">respect</a> |
 <a href="../well-being/index.html">well-being</a> 

</p>

Answer 2

我想我发现了这个问题

reg = re.compile(r'<a href="../(.*?)">')

for match in re.findall(reg, input_html):

output_html = input_html.replace(match, match+'index.html')

这里，在for循环中修改'input_html‘，然后再次搜索相同的'input_html’，以查找regex，即bug :)

Answer 3

让你的平局逃离你的前两个.

reg = re.compile(r'<a[ ]href="[.][.]/(.*?)">')

但我会尝试使用lxml代替。