python - 正则表达式将 "escaped"字符替换为其原始字符

Question

注意:我不会使用正则表达式解析大量 html 或通用 html。我知道这很糟糕

TL；DR:

我有像这样的字符串

A sentence with an exclamation\! Next is a \* character

原始标记中存在“转义”字符的地方。我希望用他们的“原件”替换它们。并得到:

A sentence with an exclamation! Next is a * character

<小时/>

我有一点数据需要从一些 wiki 标记中提取。

我在这里只处理段落/片段，所以我不需要一个强大的解决方案。在python中，我尝试了一个测试:

s = "test \\* \\! test * !! **"

r = re.compile("""\\.""") # Slash followed by anything

r.sub("-", s)

这应该产生:

test - - test * !! **

但它没有做任何事情。我在这里遗漏了什么吗？

此外，我不确定如何用原始字符替换任何给定的转义字符，因此我可能只会使用特定的正则表达式创建一个列表和子，例如:

\\\*

和

\\!

可能有一种更简洁的方法来做到这一点，因此非常感谢任何帮助。

Answer 1

您缺少一些东西，即 r 前缀:

r = re.compile(r"\\.") # Slash followed by anything

python 和 re 都将含义附加到 \ 上；当您将字符串值传递给 re.compile() 时，双反斜杠将变成一个反斜杠，此时 re 会看到 \.，这意味着字面上的句号。:

>>> print """\\."""
\.

通过使用 r'' 你告诉 python 不要解释转义码，所以现在 re 被赋予一个带有 \\. 的字符串，表示字面上的反斜杠后跟任何字符:

>>> print r"""\\."""
\\.

演示:

>>> import re
>>> s = "test \\* \\! test * !! **"
>>> r = re.compile(r"\\.") # Slash followed by anything
>>> r.sub("-", s)
'test - - test * !! **'

经验法则是:定义正则表达式时，使用 r'' 原始字符串文字，这样您就不必对 Python 和正则表达式语法都有意义的所有内容进行双重转义。

接下来，您要替换“转义”字符；为此使用组，re.sub() 允许您引用组作为替换值:

r = re.compile(r"\\(.)") # Note the parethesis, that's a capturing group
r.sub(r'\1', s)          # \1 means: replace with value of first capturing group

现在的输出是:

>>> r = re.compile(r"\\(.)") # Note the parethesis, that's a capturing group
>>> r.sub(r'\1', s) 
'test * ! test * !! **'