Python正则表达式: BackReference

Question

下面是Python2.5代码(它将单词fox替换为链接<a href="/fox">fox</a>，并避免了链接中的替换)：

import re

content="""
<div>
    <p>The quick brown <a href='http://en.wikipedia.org/wiki/Fox'>fox</a> jumped over the lazy Dog</p>
    <p>The <a href='http://en.wikipedia.org/wiki/Dog'>dog</a>, who was, in reality, not so lazy, gave chase to the fox.</p>
    <p>See &quot;Dog chase Fox&quot; image for reference:</p>
    <img src='dog_chasing_fox.jpg' title='Dog chasing fox'/>
</div>
"""

p=re.compile(r'(?!((<.*?)|(<a.*?)))(fox)(?!(([^<>]*?)>)|([^>]*?</a>))',re.IGNORECASE|re.MULTILINE)
print p.findall(content)

for match in p.finditer(content):
  print match.groups()

output=p.sub(r'<a href="/fox">\3</a>',content)
print output

产出如下：

[('', '', '', 'fox', '', '.', ''), ('', '', '', 'Fox', '', '', '')]
('', '', None, 'fox', '', '.', '')
('', '', None, 'Fox', None, None, None)

Traceback (most recent call last):
  File "C:/example.py", line 18, in <module>
    output=p.sub(r'<a href="fox">\3</a>',content)
  File "C:\Python25\lib\re.py", line 274, in filter
    return sre_parse.expand_template(template, match)
  File "C:\Python25\lib\sre_parse.py", line 793, in expand_template
    raise error, "unmatched group"
error: unmatched group

我不知道为什么反向引用work.

• (?!((<.*?)|(<a.*?)))(fox)(?!(([^<>]*?)>)|([^>]*?</a>))不会看到http://regexr.com?317bn，这是令人惊讶的。第一个负面展望(?!((<.*?)|(<a.*?)))令我困惑。在我看来，这是行不通的。以它找到的第一个匹配( fox )为例，在gave chase to the fox.</p>中，有一个匹配((<.*?)|(<a.*?))的<a href='http://en.wikipedia.org/wiki/Dog'>dog</a>，作为一个负前瞻，它应该返回一个FALSE。我不确定我是否清楚地表达了自己。--

非常感谢!

(注:我讨厌使用BeautifulSoup。我喜欢写我自己的正则表达式。我知道这里很多人会说正则表达式不是HTML处理之类的。但是这是一个小程序，所以我更喜欢正则表达式而不是BeautifulSoup)

Answer 1

我不知道为什么你的表情不管用，我只注意到一开始就有一个前瞻性小组，这对我来说没有多大意义。这个似乎很好用：

import re

content="""fox
    <a>fox</a> fox <p fox> and <tag fox bar> 
    <a>small <b>fox</b> and</a>
fox"""

rr = """
(fox)
(?! [^<>]*>)
(?!
    (.(?!<a))*
    </a
)
"""

p = re.compile(rr, re.IGNORECASE | re.MULTILINE | re.VERBOSE)
print p.sub(r'((\g<1>))', content)

Answer 2

如果您不喜欢漂亮的汤，请尝试其他(X)HTML解析器之一：

html5lib
elementree
lxml

如果您曾经计划或需要解析HTML (或变体)，那么值得学习这些工具。