在Python中匹配HTML标签

Question

我正在写一段Python代码，用来修正HTML代码中标题的大小写。目前，我写出了以下代码：

pattern = re.compile("<h1>(.*)</h1>|<h2>(.*)</h2>|<h3>(.*)</h3>|<h4>(.*)</h4>|<h5>(.*)</h5>|<h6>(.*)</h6>")

def replace(m):
    contents = m.group(1)
    replacement = contents[0] + contents[1:].lower()
    return replacement

接下来，对于给定的一行文本，我使用的转换方式是 line = pattern.sub(replace, line)。

但这样做不行，因为 m.group(1) 总是返回 None，而我希望它能返回我正则表达式中任何一个匹配的部分。由于在Python中，模式不能共享名称，我有点不知道该怎么办。

一个明显的解决办法是把我用到的所有模式都分组，但那样的话 <h1>bla</h2> 也会被识别出来。这就不好了，因为 <h1><a href="...">Bla</a></h1> <h2>Bla</h2> 应该能匹配到两个部分（<a href="...">Bla</a> 和 <a href="...">Bla</a>）。

有什么想法吗？

Answer 1

你为什么在乎这个呢？HTML标签是不区分大小写的。如果你需要一个合适的解决方案，可以使用像BeautifulSoup这样的工具。用正则表达式来解析HTML是没意义的，绝对不推荐这样做（这个话题讨论得已经够多了）。

Answer 2

你可能想看看这个问题，还有很多评论和回答。:-)

可以使用

• lxml或者
• beautifulsoup

来解析HTML内容。

Answer 3

根据我的理解，你只是想把所有的标题字母大写。你可以使用lxml这个工具，这样做起来会非常简单。

import lxml.html

doc = lxml.html.parse(your_html)
for i in range(1,7):
    for h in doc.xpath('//h%d' % i):
        h.text = h.text.capitalize()

print lxml.html.tostring(doc)