Python-сообщество

alexandre1 · Фев. 10, 2014 08:38:29

Есть html из него хочется убрать все ссылки по определенному признаку но почему то регулярное выражение оставляет закрывающий тег нужной ссылки:

text = """
<a href="/news/12345ssde557/">Кто то такой хорошей</a>
<div>123123</div>
<a href="site.com">site</a>
"""
text = re.sub(r'</?a[^>][href="/news/\w\d/"]*>', '', text, flags=re.IGNORECASE)
print text

На выходе получается.

<<<   Кто то такой хорошей</a>
         <div>123123</div>
         <a href="site.com">site</a>

Чтоб просто у всех ссылок достать текст легко:

text = re.sub(r'</?a[^>]*>', '', text)

а так чтоб условие в href ну никак оставляет закрывающий последний тег и все тут

Отредактировано alexandre1 (Фев. 10, 2014 08:39:08)

noob_saibot · Фев. 10, 2014 10:11:13

in:

print re.findall(ur'href="/news/+\S+\S"',text)

out:

['href="/news/12345ssde557/"']

Или я вас неправильно понял?

o7412369815963 · Фев. 10, 2014 19:07:26

import re
text = """
<a href="/news/12345ssde557/">Кто то такой хорошей</a>
<div>123123</div>
<a href="site.com">site</a>
"""
text = re.sub(r'<a[^>]+?href="/news/[\w\d]+/"[^>]*>([^<]*)</a>', r'\1', text, flags=re.IGNORECASE | re.DOTALL)
print text

Кто то такой хорошей
<div>123123</div>
<a href="site.com">site</a>

Запуск программ из Python
Кодировки в python
Мой блог

alexandre1 · Фев. 11, 2014 00:27:21

Спасибо, помогло

py.user.next · Фев. 11, 2014 23:09:36

o7412369815963

text = re.sub(r'<a[^>]+?href="/news/[\w\d]+/"[^>]*>([^<]*)</a>', r'\1', text, flags=re.IGNORECASE | re.DOTALL)

1)
\d входит в \w

>>> import re
>>> re.search(r'\w+', 'abc123def').group()
'abc123def'
>>>

2)
re.DOTALL относится к точке

>>> import re
>>> re.search(r'.', '\n')
>>> re.search(r'.', '\n', re.DOTALL)
<_sre.SRE_Match object at 0x7f74e16801d0>
>>> re.search(r'[^a]', '\n')
<_sre.SRE_Match object at 0x7f74e16805e0>
>>> re.search(r'[^a]*', '\n\n\n').group()
'\n\n\n'
>>>

alexandre1
Есть html из него хочется убрать все ссылки по определенному признаку

lxml.html - хорошее срество

Отредактировано py.user.next (Фев. 11, 2014 23:14:45)

o7412369815963 · Фев. 12, 2014 14:47:49

py.user.next
\d входит в \w

Часто забываю, по мне, логичней было-бы разделение на числа и буквы.

py.user.next
re.DOTALL относится к точке

Была точка, потом убрал.

py.user.next
lxml.html - хорошее срество

Да, но для простых операций часто достаточно re, + оно будет быстрее в 100-1000 раз.

Запуск программ из Python
Кодировки в python
Мой блог

Python-сообщество

Уведомления

#1 Фев. 10, 2014 08:38:29

Небольшое регулярное выражение

#2 Фев. 10, 2014 10:11:13

Небольшое регулярное выражение

#3 Фев. 10, 2014 19:07:26

Небольшое регулярное выражение

#4 Фев. 11, 2014 00:27:21

Небольшое регулярное выражение

#5 Фев. 11, 2014 23:09:36

Небольшое регулярное выражение

#6 Фев. 12, 2014 14:47:49

Небольшое регулярное выражение

Board footer