删除字符串中除第一次出现外的所有出现答案

【问题标题】：Remove all occurrences in a string except the first occurrence删除字符串中除第一次出现外的所有出现
【发布时间】：2011-12-18 15:04:52
【问题描述】：

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

另外，我希望从字符串中删除所有“</html>”（最后一次出现的除外）。

<html> 可以是大写，所以我需要它不区分大小写。

我最好的方法是什么？

【问题讨论】：

任何 HTML 开始标签都会有任何属性吗？例如<html xmlns="http://www.w3.org/1999/xhtml" xml:lang=en lang=en>

标签： python regex string

【解决方案1】：

要从字符串s 中删除除第一次出现的<html> 之外的所有内容，您可以使用以下代码：

substr = "<html>"
try:
    first_occurrence = s.index(substr) + len(substr)
except ValueError:
    pass
else:
    s = s[:first_occurrence] + s[first_occurrence:].replace(substr, "")

除最后一次出现的</html> 之外的所有内容都可以以类似方式删除：

substr = "</html>"
try:
    last_occurrence = s.rindex(substr)
except ValueError:
    pass
else:
    s = s[:last_occurrence].replace(substr, "") + s[last_occurrence:]

您可能希望用空格而不是空字符串替换出现的位置。

【讨论】：

解决方案需要不区分大小写

【解决方案2】：

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：

第一个块（被捕获到组$1）是从字符串开头到第一个 HTML 开始标记（包括第一个 HTML 开始标记）的所有内容。
第二个块（被捕获到组$2）是从第一个 HTML 开始标记到最后一个 HTML 结束标记开始的所有内容。
第三个块（捕获到组 $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进行匹配。如果匹配，则使用第二个正则表达式去除最外层 HTML 元素的内容（之前在第 2 组中捕获）的任何 HTML 开始和结束标记。然后使用三个块重新组合字符串（中间块已去除 HTML 标记）。

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 开始标记中可能存在的任何属性。另请注意，此解决方案不处理具有包含 > 字符的属性的 HTML 标记（但这应该非常罕见）。

【讨论】：