英数字+＆＃8220;＆amp;＆＃8221;を含む正規表現を探していますおよび＆＃8220 ;;＆＃8221;

StackOverflow https://stackoverflow.com/questions/152218

  •  02-07-2019
  •  | 
  •  

質問

問題は次のとおりです。

split=re.compile('\\W*')

この正規表現は、正規の単語を処理する場合に正常に機能しますが、 k＆amp; amp; auml; ytt＆amp; amp; auml; j＆amp; aml; auml;のような単語を含める必要がある場合があります。

＆amp; および; 文字を含めるために正規表現に何を追加する必要がありますか？

役に立ちましたか？

解決

おそらく問題を逆にしたい、つまりスペースなしですべての文字を見つけたい：

[^ \t\n]*

または、追加の文字を追加する場合：

[a-zA-Z0-9&;]*

HTMLエンティティを一致させたい場合は、次のようなものを試してください：

(\w+|&\w+;)*

他のヒント

エンティティを1つの単位として扱います（数値コードも含めることができるため）。次の正規表現が生成されます。

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

これは一致します

  • 単語文字（＆＃8220; _ ＆＃8221;を含む）、または
  • で構成されるHTMLエンティティ
    • キャラクター＆＃8220; ＆amp; ＆＃8221 ;,
      • キャラクター＆＃8220; ＃＆＃8221 ;,
        • キャラクター＆＃8220; x ＆＃8221;少なくとも1桁の16進数が続く、または
        • 少なくとも1桁の10進数、または
      • 少なくとも1文字（=名前付きエンティティ）、
    • セミコロン
  • 少なくとも1回。

/ EDIT：＆＃932;＆＃918;＆＃937;＆＃932;＆＃918;＆＃921;＆＃927;＆＃933;エラーを指摘してください。

余分な文字を含む文字クラスを作成する必要があります。例：

split=re.compile('[\w&;]+')

これでうまくいくはずです。あなたの情報について

  • \ w （小文字の「w」）は単語の文字（英数字）に一致します
  • \ W （大文字のW）は否定文字クラスです（英数字以外の文字と一致することを意味します）
  • * は0回以上一致し、 + は1回以上一致するため、 * は何も一致しません（文字がない場合でも）あります。）

このように見えたのはトリックのようです：

split = re.compile（ '（\\ W +＆amp; \\ W +;）*'）

提案をありがとう。それらのほとんどはReggyで問題なく動作しましたが、re.compileで失敗した理由がよくわかりません。

ライセンス： CC-BY-SA と 帰属
所属していません StackOverflow
scroll top