在正则表达式模式中跳过HTML标签

Question

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

基本上这个方案是这样的：

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

我试图让它删除任何额外的制表符\空格\新行，这样它应该是这样的：

^{pr2}$

我写的是：（\t |\s）+？除了在html标记中匹配外，它还能工作，所以h3变成h3class，我无法理解如何使它忽略标记内的任何内容。在

Answer 1

使用正则表达式处理HTML非常容易出错；它们根本不是正确的工具。在

相反，使用HTML/XML感知库（例如lxml）来构建DOM样式的对象树；在适当的地方修改树中的文本段，并使用该库再次生成输出。在

Answer 2

艾伦

我不得不同意Charles的观点，即最安全的方法是解析HTML，然后只处理文本节点。听起来太过分了，但这是最安全的。在

另一方面，只要您相信HTML代码是正确的，regex中有一种方法可以做到这一点（例如，在标记中不包括无效的<；和>；，如：<；a title=“<；这是一个测试>；”href=“look here”>；…）

然后，您就知道，任何文本都必须在>；和<；之间，除了开头和结尾（如果您只是获取页面的快照，否则就有HTML标记的最小值）

所以。。。您仍然需要两个regex：找到文本'>；[^<；]+<；'，然后应用前面提到的另一个regex。在

另一种方法，就是用这样的东西（没有测试过！）公司名称：

'（<；[^>；]*>；）|（[\r\n\f]+）'

这将找到一个标记或空格。如果找不到一个标记，就不要用一个空的标记替换它。在

Answer 3

试试这个：

\r?\n[ \t]*

编辑：其思想是删除所有换行符（Unix:“\n”或Windows:“\r\n”）以及紧跟其后的任何水平空白（制表符或空格）。在