寻找包含字母数字+“＆amp;”的正则表达式和“;”

Question

问题在于：

split=re.compile('\\W*')

这个正则表达式在处理常规单词时工作正常，但有时我需要表达式包含käyttäj&aml;auml;之类的单词。

我应该在正则表达式中添加哪些内容以包含&和;个字符？

Answer 1

我会将实体视为一个单元（因为它们也可以包含数字字符代码），从而产生以下正则表达式：

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

匹配

• 字词（包括“_”）或
• 包含的HTML实体
  • 字符“&”，
    • 字符“#”，
      • 字符“x”后跟至少一个十六进制数字，或
      • 至少一个十进制数字，或
    • 至少一个字母（=命名实体），
  • 分号
• 至少一次。

/编辑：感谢ΤΖΩΤΖΙΟΥ指出错误。

Answer 2

你可能想要反过来解决问题，即找到没有空格的所有字符：

[^ \t\n]*

或者您想添加额外的字符：

[a-zA-Z0-9&;]*

如果您想匹配HTML实体，您应该尝试类似：

(\w+|&\w+;)*

Answer 3

你应该创建一个包含额外字符的字符类。例如：

split=re.compile('[\w&;]+')

这应该可以解决问题。供您参考

• \w（小写'w'）匹配单词字符（字母数字）
• \W（大写W）是一个否定的字符类（意味着它匹配任何非字母数字字符）
• *匹配0次或多次，+匹配一次或多次，因此*将匹配任何内容（即使没有字符）。

Answer 4

看起来这样做了诀窍：

分裂= re.compile（ '（\\ W +＆安培; \\ W +;）*'）

感谢您的建议。他们中的大多数在Reggy上工作得很好，但我不太明白他们为什么用re.compile失败了。