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：
|
1
2
3
4
|
import redef 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：http://www.ythuaji.com.cn/article/100236.html
現在使用一段HTML代碼來測試一下：
|
1
2
3
4
5
6
7
8
9
|
import redef remove_tag(html): text = re.sub('<.*?>', '', html, re.S) return textsource_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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
|
import redef remove_tag(html): text = re.sub('<.*?>', '', html, re.S) return textsource_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：
|
1
2
|
<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：
|
1
|
<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：
|
1
|
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:
|
1
2
3
|
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：
|
1
2
3
|
>>> 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。
|
1
2
3
4
5
6
7
|
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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
import redef 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服務器之家網站的支持！
原文鏈接：https://www.cnblogs.com/xieqiankun/p/re_S_in_the_fourth_position_of_sub.html
