title: 正則表達式re.sub替換不完整的問題現象及其根本原因

toc: true
comment: true
date: 2018-08-27 21:48:22
tags: ["Python", "正則表達式"]
category: ["Python"]
---

問題描述

問題的起因來自于一段正則替換。為了從一段HTML代碼里面提取出正文，去掉所有的HTML標簽和屬性，可以寫一個Python函數：

import re
def remove_tag(html):
 text = re.sub('.*?>', '', html, re.S)
 return text

這段代碼的使用了正則表達式的替換功能re.sub。這個函數的第一個參數表示需要被替換的內容的正則表達式，由于HTML標簽都是使用尖括號包起來的，因此使用.*?>就可以匹配所有xxx yyy="zzz">和/xxx>。

第二個參數表示被匹配到的內容將要被替換成什么內容。由于我需要提取正文，那么只要把所有HTML標簽都替換為空字符串即可。第三個參數就是需要被替換的文本，在這個例子中是HTML源代碼段。

至于re.S，在4年前的一篇文章中我講到了它的用法：https://www.jb51.net/article/146384.htm

現在使用一段HTML代碼來測試一下：

import re
def remove_tag(html):
 text = re.sub('.*?>', '', html, re.S)
 return text
source_1 = '''
div class="content">今天的主角是a href="xxx">kingname/a>，我們掌聲歡迎！/div>
'''
text = remove_tag(source_1)
print(text)

運行效果如下圖所示，功能完全符合預期

再來測試一下代碼中有換行符的情況：

import re
def remove_tag(html):
 text = re.sub('.*?>', '', html, re.S)
 return text
source_2 = '''
div class="content">
 今天的主角是
 a href="xxx">kingname/a>
 ，我們掌聲歡迎！
/div>
'''
text = remove_tag(source_2)
print(text)

運行效果如下圖所示，完全符合預期。

經過測試，在絕大多數情況下，能夠從的HTML代碼段中提取出正文。但也有例外。

例外情況

有一段HTML代碼段比較長，內容如下：

img>
/span>span>遇見kingname/span>/a >a >span class='url-icon'> img '>/span>span >溫柔/span>/a >a >span >#青南#/span>/a > br />就在這里…br />我的小侯爺呢？？？

運行效果如下圖所示，最后兩個HTML標簽替換失敗。

一開始我以為是HTML里面的空格或者引號引起的問題，于是我把HTML代碼進行簡化：

img>/span>span>遇見kingname/span>/a>a>span>img>/span>span>溫柔/span>/a>a>span>#青南#/span>/a>br/>就在這里…br/>我的小侯爺呢

問題依然存在，如下圖所示。

而且更令人驚訝的是，如果把第一個標簽img>刪了，那么替換結果里面就少了一個標簽，如下圖所示。

實際上，不僅僅是刪除第一個標簽，前面任意一個標簽刪了都可以減少結果里面的一個標簽。如果刪除前面兩個或以上標簽，那么結果就正常了。

答疑解惑

這個看起來很奇怪的問題，根本原因在re.sub的第4個參數。從函數原型可以看到：

def sub(pattern, repl, string, count=0, flags=0)

第四個參數是count表示替換個數，re.S如果要用，應該作為第五個參數。所以如果把remove_tag函數做一些修改，那么結果就正確了:

def remove_tag(html):
 text = re.sub('.*?>', '', html, flags=re.S)
 return text

那么問題來了，把re.S放在count的位置，為什么代碼沒有報錯？難道re.S是數字？實際上，如果打印一下就會發現，re.S確實可以作為數字：

>>> import re
>>> print(int(re.S))
16

現在回頭數一數出問題的HTML代碼，發現最后多出來的兩個br>標簽，剛剛好是第17和18個標簽，而由于count填寫的re.S可以當做16來處理，那么Python就會把前16個標簽替換為空字符串，從而留下最后兩個。

至此問題的原因搞清楚了。

這個問題沒有被及早發現，有以下幾個原因：

被替換的HTML代碼是代碼段，大多數情況下HTML標簽不足16個，所以問題被隱藏。re.S是一個對象，但也是數字，count接收的參數剛好也是數字。在很多編程語言里面，常量都會使用數字，然后用一個有意義的大寫字母來表示。re.S 處理的情況是div \n> 而不是div>\n/div>但測試的代碼段標簽都是第二種情況，所以在代碼段里面實際上加不加re.S效果是一樣的。

補充：下面在給大家介紹下正則表達式 re.sub()替換功能

re.sub()替換功能

re.sub是個正則表達式方面的函數，用來實現通過正則表達式，實現比普通字符串的replace更加強大的替換功能。簡單的替換功能可以使用replace()實現。

def main():
 text = '123, word!'
 text1 = text.replace('123', 'Hello')
 print(text1)
if __name__ == '__main__':
 main()
# Hello, wold!

如果通過re.sub(0函數則可以匹配任意的數字，并將其替換：

import re
def main():
 content = 'abc124hello46goodbye67shit'
 list1 = re.findall(r'\d+', content)
 print(list1)
 mylist = list(map(int, list1))
 print(mylist)
 print(sum(mylist))
 print(re.sub(r'\d+[hg]', 'foo1', content))
 print()
 print(re.sub(r'\d+', '456654', content))
if __name__ == '__main__':
 main()
# ['124', '46', '67']
# [124, 46, 67]
# 237
# abcfoo1ellofoo1oodbye67shit
# abc456654hello456654goodbye456654shit

總結

以上所述是小編給大家介紹的正則表達式re.sub替換不完整的問題及完整解決方案，希望對大家有所幫助，如果大家有任何疑問請給我留言，小編會及時回復大家的。在此也非常感謝大家對腳本之家網站的支持！