使用Python正则表达式清理输入字符串

Question

我可以帮您翻译。以下是翻译结果，保留html标签：

我有一个字符串： text = 'href = "www.google.com" onmouseover = blahblah >' 我想要的是'href = "www.google.com">'

目前，我的函数看起来像这样：

text = re.sub(r'href = \".*\".*>', 'href = \".*\">', text)

这段代码最终会删除网站链接并用字符串“.*”替换它。我认为我应该以某种方式使用?Pname?，但不知道如何编写它，以便获得正确的输出。

- iczyje

Answer 1

你不想替换.*，而是想替换第一个匹配的.*。

为此，你需要一个反向引用，像\1这样。

也就是说，你需要一些东西让反向引用可以引用回来——一个捕获组，比如(.*)而不是.*。

更一般地说，替换字符串不是正则表达式，它是一种不同的东西——基本上，它是一个模板，除了反向引用之外都是文本字符。因此，你不想尝试转义引号，除非你想在结果中得到字面上的反斜杠。

所以：

>>> re.sub(r'href = \"(.*)\".*>', r'href = "\1">', text)
'href = "www.google.com">'

更详细的解释，请参见正则表达式 HOWTO 中的 搜索和替换。

---

*或者它可以是一个函数，该函数接受每个匹配对象并返回一个字符串。

- abarnert

---

谢谢！我不知道如何正确使用分组。 - iczyje

@user3709454：这份HOWTO非常简短且写得很好，所以值得一读。当然，你不会记住所有的细节，但希望你能记住足够多的内容，以便下次遇到问题时知道该去寻找什么。 - abarnert

@user3709454 如果这确实是答案的话，最好将此回答标记为"答案"，方法是点击复选框。这能帮助其他遇到类似问题的人们，无需阅读评论即可看到哪个答案对你有效。 - Nick Humrich

Answer 2

实现您的目标的另一种方法是通过截取子字符串来完成。不需要使用正则表达式。思路是使用字符串方法index()找到第二个双引号字符的位置。

对于一个名为input的字符串，此表达式将给出第二个双引号字符的位置：

input.index('"', input.index('"')+1)

如果该值为k，则写入input[:k+1]以提取从开头到第二个双引号字符的所有内容。

请在您的Python解释器中尝试以下内容。

input = 'href = "www.google.com" onmouseover=hax0rFunction()>'
k = input.index('"', input.index('"')+1)
input[0:k+1]

- Michael Laszlo