跳过正则表达式模式中的HTML标记

Question

我正在尝试编写一个正则表达式模式（在python中）来重新格式化这些模板引擎文件。

基本上这个计划看起来像这样：

[$$price$$]
{
    <h3 class="price">
    $12.99
    </h3>
}

我正在尝试删除任何额外的标签\空格\新行，所以它应该如下所示：

[$$price$$]{<h3 class="price">$12.99</h3>}

我写了这个：（\ t | \ s）+？除了在html标签内匹配之外它有效，所以h3变成了h3class，我无法弄清楚如何让它忽略标签内的任何内容。

Answer 1

使用正则表达式处理HTML非常容易出错;它们根本就不是正确的工具。

相反，使用支持HTML / XML的库（例如lxml）来构建DOM样式的对象树;在原地修改树中的文本段，并使用所述库再次生成输出。

Answer 2

试试这个：

\r?\n[ \t]*

编辑：我们的想法是删除所有换行符（Unix：“\ n”，或Windows：“\ r \ n”）以及紧随其后的任何水平空格（TAB或空格）。

Answer 3

艾伦，

我必须同意Charles的观点，最安全的方法是解析HTML，然后只处理Text节点。听起来有点过分，但这是最安全的。

另一方面，只要你相信HTML代码是正确的（即在标签中不包含无效的＆lt;和＆gt;，如：＆lt; a title =），正则表达式中有一种方法可以做到这一点。 “＆lt;这是一个测试＆gt;”href =“look here”＆gt; ...）

然后，你知道任何文字都必须在＆gt;之间。和＆lt;除了在开头和结尾（如果您只是获取页面的快照，否则最少有HTML标记。）

所以......你仍然需要两个正则表达式：找到文本'＆gt; [^＆lt;] +＆lt;'，然后应用你提到的其他正则表达式。

另一种方式，是拥有这样的东西（未经过测试！）：

'（＆lt; [^＆gt;] *＆gt;）|（[\ r \ n \ f] +）'

这将找到一个或多个标记。当您找到标签时，如果找不到标签，请不要替换为空字符串。