只匹配不屬於HTML標記的文本的正則表達式？ （python）

Question

如何進行模式匹配，只要它不在HTML標籤內？

下面是我的嘗試。任何人都有更好的/不同的方法？

import re 

inputstr = 'mary had a <b class="foo"> little loomb</b>' 

rx = re.compile('[aob]') 
repl = 'x' 

outputstr = '' 
i = 0 

for astr in re.compile(r'(<[^>]*>)').split(inputstr): 
    i = 1 - i 

    if i: 
     astr = re.sub(rx, repl, astr) 

    outputstr += astr 

print outputstr 

輸出：

mxry hxd x <b class="foo"> little lxxmx</b> 

注：

• 的< [^>] *>模式來匹配HTML標籤顯然是有缺陷的 - 我很快就寫了這一點，並沒有說明引用屬性中的尖括號的可能性（例如'< img alt =「next >」/ >'）。它不包括<腳本>或<風格>標籤或評論，或者。

Answer 1

既然你無論如何使用Python，如果我是你，我會看看Beautiful Soup，這是一個Python的HTML/XML解析器。真的，編寫自己的解析器有很多特殊情況和令人頭痛的問題，但它不值得付出努力。你的正則表達式會變得難以管理，並且在所有情況下都不會產生正確的結果。

只需使用Beautiful Soup。