如何解決正則表達(dá)式re.sub替換不完整的問(wèn)題

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

import re
def remove_tag(html):
 text = re.sub('<.*?>', '', html, re.S)
 return text
source_1 = '''
今天的主角是kingname，我們掌聲歡迎！

import re
def remove_tag(html):
 text = re.sub('<.*?>', '', html, re.S)
 return text
source_2 = '''

 今天的主角是
 kingname
 ，我們掌聲歡迎！

運(yùn)行效果如下圖所示，完全符合預(yù)期。

經(jīng)過(guò)測(cè)試，在絕大多數(shù)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(zhǎng)，內(nèi)容如下：

遇見kingname< img '>溫柔#青南# 就在這里…我的小侯爺呢？？？

運(yùn)行效果如下圖所示，最后兩個(gè)HTML標(biāo)簽替換失敗。

一開始我以為是HTML里面的空格或者引號(hào)引起的問(wèn)題，于是我把HTML代碼進(jìn)行簡(jiǎn)化：

遇見kingname溫柔#青南#
就在這里…
我的小侯爺呢

問(wèn)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(gè)標(biāo)簽刪了，那么替換結(jié)果里面就少了一個(gè)標(biāo)簽，如下圖所示。

實(shí)際上，不僅僅是刪除第一個(gè)標(biāo)簽，前面任意一個(gè)標(biāo)簽刪了都可以減少結(jié)果里面的一個(gè)標(biāo)簽。如果刪除前面兩個(gè)或以上標(biāo)簽，那么結(jié)果就正常了。

答疑解惑

這個(gè)看起來(lái)很奇怪的問(wèn)題，根本原因在re.sub的第4個(gè)參數(shù)。從函數(shù)原型可以看到：

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

第四個(gè)參數(shù)是count表示替換個(gè)數(shù)，re.S如果要用，應(yīng)該作為第五個(gè)參數(shù)。所以如果把remove_tag函數(shù)做一些修改，那么結(jié)果就正確了:

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

那么問(wèn)題來(lái)了，把re.S放在count的位置，為什么代碼沒(méi)有報(bào)錯(cuò)？難道re.S是數(shù)字？實(shí)際上，如果打印一下就會(huì)發(fā)現(xiàn)，re.S確實(shí)可以作為數(shù)字：

>>> import re
>>> print(int(re.S))
16

現(xiàn)在回頭數(shù)一數(shù)出問(wèn)題的HTML代碼，發(fā)現(xiàn)最后多出來(lái)的兩個(gè)
標(biāo)簽，剛剛好是第17和18個(gè)標(biāo)簽，而由于count填寫的re.S可以當(dāng)做16來(lái)處理，那么Python就會(huì)把前16個(gè)標(biāo)簽替換為空字符串，從而留下最后兩個(gè)。

至此問(wèn)題的原因搞清楚了。

這個(gè)問(wèn)題沒(méi)有被及早發(fā)現(xiàn)，有以下幾個(gè)原因：

被替換的HTML代碼是代碼段，大多數(shù)情況下HTML標(biāo)簽不足16個(gè)，所以問(wèn)題被隱藏。re.S是一個(gè)對(duì)象，但也是數(shù)字，count接收的參數(shù)剛好也是數(shù)字。在很多編程語(yǔ)言里面，常量都會(huì)使用數(shù)字，然后用一個(gè)有意義的大寫字母來(lái)表示。re.S 處理的情況是

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

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