删除字符串中除第一次出现以外的所有出现


问题内容

在Python中,我希望<html>从字符串中删除所有“ ”(第一次出现时除外)。

另外,我正在寻找</html>从字符串中删除所有“ ”(最后一次出现的除外)。

<html> 可以是大写,因此我需要不区分大小写。

我最好的方法是什么?


问题答案:

此解决方案使用两个正则表达式。第一个正则表达式将整个文件/字符串分成三个块:

  1. 第一个块(捕获到group中$1)是从字符串开始到第一个HTML开始标记(包括该标记)的所有内容。
  2. 第二个块(捕获到group中$2)是第一个HTML开始标记之后到最后一个HTML关闭标记开始之间的所有内容。
  3. 第三个块(捕获到group中$3)包括最后一个HTML结束标记以及文件/字符串末尾的所有内容。

该函数首先尝试将正则表达式与输入文本匹配。如果匹配,则使用第二个正则表达式从最外面的HTML元素(先前在组2中捕获)的内容中删除所有HTML起始和结束标签。然后使用三个大块重新组装字符串(中间大块已去除HTML标签)。

def stripInnermostHTMLtags(text):
    '''Strip all but outermost HTML start and end tags.
    '''
    # Regex to match outermost HTML element and its contents.
    p_outer = re.compile(r"""
        ^                 # Anchor to start of string.
        (.*?<html[^>]*>)  # $1: Outer HTML start tag.
        (.*)              # $2: Outer HTML element contents.
        (</html\s*>.*)    # $3: Outer HTML end tag.
        $                 # Anchor to end of string.
        """, re.DOTALL | re.VERBOSE | re.IGNORECASE)
    # Split text into outermost HTML tags and its contents.
    m = p_outer.match(text)
    if m:
        # Regex to match HTML element start or end tag.
        p_inner = re.compile("</?html[^>]*>", re.IGNORECASE)
        # Strip contents of any/all HTML start and end tags.
        contents = p_inner.sub("", m.group(2))
        # Put string back together stripped of inner HTML tags.
        text = m.group(1) + contents + m.group(3)
    return text

请注意,此解决方案可以正确处理HTML开始标记中的所有属性。还要注意,此解决方案不处理具有属性值包含>字符值的HTML标记(但这应该非常少见)。