Python正则表达式替换文本中未编码的和号

Question

我正在处理一个上游系统，这个系统有时候会发送一些文本，这些文本是要输出成HTML或XML格式的，但里面的&符号没有经过编码：

str1 = "Stay at this B&B"
str2 = "He’s going to Texas A&M"
str3 = "He’s going to a B&B and then Texas A&M"

我需要把这些没有编码的&符号替换成&，同时保留那些已经是字符引用的或者已经编码的&符号。

我不能去修复上游系统，而且因为文本有时候会部分编码，所以我也不能对整个字符串重新编码。我只是想解决这个烦人的问题，然后继续我的生活。

我用的这个正则表达式能很好地匹配到这些符号，但我在用re.sub时遇到了语法问题：

re.findall("&[^#|amp]", str3)

我不太确定怎么正确地替换文本；我觉得可能会涉及到re.group，但我在正则表达式方面的能力还不够强。

任何帮助都非常感谢。

Answer 1

第一个人说得差不多：

re.sub(r"&(?!#\d{4};|amp;)", "&amp", your_string)

Answer 2

如果&符号是字符实体的一部分，它可以是任何命名实体（不仅仅是&），也可以是十进制实体，或者是十六进制实体。这样应该就能涵盖所有情况：

re.sub(r'&(?![A-Za-z]+[0-9]*;|#[0-9]+;|#x[0-9a-fA-F]+;)',
       r'&', your_string)

Answer 3

我建议使用一种叫做“负向前瞻”的方法来解决这个问题。这样做的话，如果一个 & 后面跟着 #xxxx;（这里的 x 是数字）或者 amp;，那么匹配就会失败。也就是说，它只会匹配那些单独的 & 字符，并把它们替换成 &。

re.sub(r"&(?!#\d{4};|amp;)", "&", your_string)