解析 HTML 并在 <a> 标签中找到 img 标签

Question

我需要解析 HTML 代码并在 <a> 标记中找到所有出现的 <img> 标记，以替换 <a> 标记中的某些内容。

比方说，我想找到

  <a ...><img src="path/to/image" /></a>

<a> 标签可以包含不同的属性，我需要替换的是：

<a<a class="something"

解析是在 Python 中完成的，但我认为，我需要使用正则表达式。
但是，我对正则表达式很陌生，所以我想知道如何做到这一点。

Answer 1

假设 HTML 并不复杂（当<script>s 中似乎有标签时，它会使事情变得复杂），这很容易。

您可以使用此正则表达式从<a...> 获取属性列表：

<a([^>]+)><img[^>]+></a>

（如果发现事物之间可能有空格，可以使用<a([^>]+)>\s*<img[^>]+>\s*</a>。）

如果您只需要添加一件事，这真的很容易。您可以使用：

re.sub(r'<a([^>]+)><img([^>]+)></a>',
       r'<a' + ' class="something" ' + r'\1><img\2></a>',
       string)

在上面的示例中，我使用第二个捕获组来获取img 的内容。

Answer 2

免责声明

您真的应该使用HTML parsing engine，因为有许多正则表达式无法轻松适应的模糊边缘情况。但我不会告诉你如何过你的生活。

说明

这个正则表达式将：

• 找到所有环绕 IMG 标签的 Anchor 标签
• 将匹配开头"<a "，因此可以替换为<a class=somevalue
• 避免一些非常困难的边缘情况

(<a\b\s*)(?=(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*?\s?\/?>\s*<img\b\s*(?:[^>=]|='[^']*'|="[^"]*"|=[^'"][^\s>]*)*?\s?\/?>\s*<\/a>)

示例

示例文本

注意 onmouseover 属性中的困难边缘情况。

<a onmouseover=' href="NotTheDroidYoureLookingFor" ; funRotator("<img href="not_the_droid_you_are_looking_for.png>") ; ' href="http://NotTheDroid.html">No droids here. </a> <a onmouseover=' href="Jedi_Mind_Trick.html" ; funRotator("<img href="not_the_droid_you_are_looking_for.png>") ; ' href="http://FoundTheDroid.html/"><img src="path/to/image/Desired_Droid.png" /> </a>

Python

在 python 中，您可以将示例文本分配给名为original_string 的变量并发出以下行。请注意，单引号已加倍，因为整个正则表达式字符串都包含在单引号中。

new_string = re.sub(r'(<a\b\s*)(?=(?:[^>=]|=''[^'']*''|="[^"]*"|=[^''"][^\s>]*)*?\s?\/?>\s*<img\b\s*(?:[^>=]|=''[^'']*''|="[^"]*"|=[^'"][^\s>]*)*?\s?\/?>\s*<\/a>)', r'<a class=FoundDroids ', original_string)

结果

查找替换后：

<a onmouseover=' href="NotTheDroidYoureLookingFor" ; funRotator("<img href="not_the_droid_you_are_looking_for.png>") ; ' href="http://NotTheDroid.html">No droids here. </a> <a class=FoundDroids onmouseover=' href="Jedi_Mind_Trick.html" ; funRotator("<img href="not_the_droid_you_are_looking_for.png>") ; ' href="http://FoundTheDroid.html/"><img src="path/to/image/Desired_Droid.png" /> </a>