在 Python 中用正则表达式替换 html 脚本元素源答案

【问题标题】：Replacing html script element sources with regular expression in Python在 Python 中用正则表达式替换 html 脚本元素源
【发布时间】：2013-02-20 15:02:49
【问题描述】：

我正在尝试编写一个大型 python/bash 脚本，将我的 html/css 模型转换为 Shopify 主题。此过程中的一个步骤是更改所有脚本源。例如：

<script type="text/javascript" src="./js/jquery.bxslider.min.js"></script>

变成

<script type="text/javascript" src="{{ 'jquery.bxslider.min.js' | asset_url }}"></script>

这是我目前所拥有的：

import re
test = """
  <script type="text/javascript" src="./js/jquery-1.8.3.min.js"></script>
  <!--<script src="http://ajax.googleapis.com/ajax/libs/jquery/1.8.3/jquery.min.js" type="text/javascript"></script>-->
  <script type="text/javascript" src="./js/ie-amendments.js"></script>
  <script type="text/javascript" src="./js/jquery.bxslider.min.js"></script>
  <script type="text/javascript" src="./js/jquery.colorbox-min.js"></script>
  <script type="text/javascript" src="./js/main.js"></script>
"""
out = re.sub( 'src=\"(.+)\"', 'src="{{ \'\\1\' | asset_url }}"', test, flags=re.MULTILINE )
out

打印出来

'\n  <script type="text/javascript" src="{{ \'./js/jquery-1.8.3.min.js\' | asset_url }}"></script>\n  <!--<script src="{{ \'http://ajax.googleapis.com/ajax/libs/jquery/1.8.3/jquery.min.js" type="text/javascript\' | asset_url }}"></script>-->\n  <script type="text/javascript" src="{{ \'./js/ie-amendments.js\' | asset_url }}"></script>\n  <script type="text/javascript" src="{{ \'./js/jquery.bxslider.min.js\' | asset_url }}"></script>\n  <script type="text/javascript" src="{{ \'./js/jquery.colorbox-min.js\' | asset_url }}"></script>\n  <script type="text/javascript" src="{{ \'./js/main.js\' | asset_url }}"></script>\n'

到目前为止我有两个问题：

我用来转义单字的一些反斜杠字符我的正则表达式中的引号显示在输出中。
我的捕获组正在捕获整个原始源字符串，但是我只需要最后一个“/”之后的内容

回答：根据 Martijn Pieters 的有用建议，我查看了 ?正则表达式运算符，并提出了这个解决方案，完美地解决了我的问题。此外，对于替换表达式，我将其封装在双引号中，而不是单引号，并转义双引号，最终删除了不必要的反斜杠。谢谢大家！

re.sub( r'src=".+?([^/]+?\.js)"', "src=\"{{ '\\1' | asset_url }}\"", test, flags=re.MULTILINE )

【问题讨论】：

叹息 stackoverflow.com/questions/1732348/…
@Cfreak：这可能是一个足够有限的案例； script 标签不包含其他标签，src 属性匹配受到限制且足够规则。没必要在这里下意识的。
@Cfreak：实际上不知道正则表达式不利于解析 HTML。感谢您的链接 - 它提供了非常丰富的信息！
没问题。在 Python 中，用于解析 HTML 的一个非常好的模块是 BeautifulSoup crummy.com/software/BeautifulSoup
不要使用正则表达式解析 HTML。您无法使用正则表达式可靠地解析 HTML。一旦 HTML 与您的期望发生变化，您的代码就会被破坏。有关如何使用 Python 模块正确解析 HTML 的示例，请参阅 htmlparsing.com/python.html。

标签： python regex escaping html-parsing shopify

【解决方案1】：

你的表达效果很好； Python 只是向您展示了一个 字符串文字，您必须在其中转义引号才能将其重新用作 Python 字符串。

如果您打印该值，则不会发生此类转义：

>>> re.sub( 'src=\"(.+)\"', 'src="{{ \'\\1\' | asset_url }}"', test, flags=re.MULTILINE )
'\n  <script type="text/javascript" src="{{ \'./js/jquery-1.8.3.min.js\' | asset_url }}"></script>\n  <!--<script src="{{ \'http://ajax.googleapis.com/ajax/libs/jquery/1.8.3/jquery.min.js" type="text/javascript\' | asset_url }}"></script>-->\n  <script type="text/javascript" src="{{ \'./js/ie-amendments.js\' | asset_url }}"></script>\n  <script type="text/javascript" src="{{ \'./js/jquery.bxslider.min.js\' | asset_url }}"></script>\n  <script type="text/javascript" src="{{ \'./js/jquery.colorbox-min.js\' | asset_url }}"></script>\n  <script type="text/javascript" src="{{ \'./js/main.js\' | asset_url }}"></script>\n'
>>> print(re.sub( 'src=\"(.+)\"', 'src="{{ \'\\1\' | asset_url }}"', test, flags=re.MULTILINE ))

  <script type="text/javascript" src="{{ './js/jquery-1.8.3.min.js' | asset_url }}"></script>
  <!--<script src="{{ 'http://ajax.googleapis.com/ajax/libs/jquery/1.8.3/jquery.min.js" type="text/javascript' | asset_url }}"></script>-->
  <script type="text/javascript" src="{{ './js/ie-amendments.js' | asset_url }}"></script>
  <script type="text/javascript" src="{{ './js/jquery.bxslider.min.js' | asset_url }}"></script>
  <script type="text/javascript" src="{{ './js/jquery.colorbox-min.js' | asset_url }}"></script>
  <script type="text/javascript" src="{{ './js/main.js' | asset_url }}"></script>

您可以使用? 来制作+、* 和? 限定符非贪婪；匹配最小值而不是最大值。您还可以匹配任何不是引号的内容：

r'src="([^"]+)"'

更好地约束正则表达式的那一部分； [^"] 匹配任何非双引号的字符。

在指定正则表达式模式时，通常最好使用 python 原始字符串文字 (r'') 代替，这样可以省去很多关于哪些需要转义和哪些不需要转义的麻烦。使用原始字符串文字，您的替换模式可以简化为：

r'src="{{ \'\1\' | asset_url }}"'

最后一行：

re.sub(r'src="([^"]+)"', r'src="{{ \'\1\' | asset_url }}"', test, flags=re.MULTILINE)

【讨论】：

【解决方案2】：

在不引起某些人的愤怒的情况下，您可以将其视为 xml。

txt = """<html>
<script type="text/javascript" src="./js/jquery.bxslider.min.js"></script>
<script type="text/javascript" src="./js/jquery.another.min.js"></script>
</html>
"""

import xml.etree.ElementTree as ET
import os
root = ET.fromstring(txt)

for e in root.findall('script'):
    e.attrib['src'] =  "{{ '%s' | assert_url }}" % os.path.basename(e.attrib['src'])

print ET.tostring(root)

给予：

<html>
<script src="{{ 'jquery.bxslider.min.js' | assert_url }}" type="text/javascript" />
<script src="{{ 'jquery.another.min.js' | assert_url }}" type="text/javascript" />
</html>

xml 文档之后可能会有用；这一切都取决于您的 HTML 格式有多好。

【讨论】：