如何解决正则表达式re.sub替换不完整的问题-创新互联

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，我们掌声欢迎！

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

 今天的主角是
 kingname
 ，我们掌声欢迎！

运行效果如下图所示，完全符合预期。

经过测试，在绝大多数情况下，能够从的HTML代码段中提取出正文。但也有例外。

例外情况

有一段HTML代码段比较长，内容如下：

遇见kingname< img '>温柔#青南# 就在这里…我的小侯爷呢？？？

运行效果如下图所示，最后两个HTML标签替换失败。

一开始我以为是HTML里面的空格或者引号引起的问题，于是我把HTML代码进行简化：

遇见kingname温柔#青南#
就在这里…
我的小侯爷呢

问题依然存在，如下图所示。

而且更令人惊讶的是，如果把第一个标签删了，那么替换结果里面就少了一个标签，如下图所示。

实际上，不仅仅是删除第一个标签，前面任意一个标签删了都可以减少结果里面的一个标签。如果删除前面两个或以上标签，那么结果就正常了。

答疑解惑

这个看起来很奇怪的问题，根本原因在re.sub的第4个参数。从函数原型可以看到：

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

第四个参数是count表示替换个数，re.S如果要用，应该作为第五个参数。所以如果把remove_tag函数做一些修改，那么结果就正确了:

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

那么问题来了，把re.S放在count的位置，为什么代码没有报错？难道re.S是数字？实际上，如果打印一下就会发现，re.S确实可以作为数字：

>>> import re
>>> print(int(re.S))
16

现在回头数一数出问题的HTML代码，发现最后多出来的两个
标签，刚刚好是第17和18个标签，而由于count填写的re.S可以当做16来处理，那么Python就会把前16个标签替换为空字符串，从而留下最后两个。

至此问题的原因搞清楚了。

这个问题没有被及早发现，有以下几个原因：

被替换的HTML代码是代码段，大多数情况下HTML标签不足16个，所以问题被隐藏。re.S是一个对象，但也是数字，count接收的参数刚好也是数字。在很多编程语言里面，常量都会使用数字，然后用一个有意义的大写字母来表示。re.S 处理的情况是

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