Dotaz: Regexp na vymazání středníků mimo entit typu & amp ;

[outlier]

Ahoj, nenapadá někoho, jak (pro python) napsat regulární výraz, který z řetězce (např. "&_amp_; one ; two; &_nbsp_;" - podtržítka jsou přidaná pro zobrazení v html) vymaže všechny středníky, které nejsou z html entit typu &something; ? Tj. z daného řetězce by vrátil "&_amp_; one two  ". Vím, že se to udělat jinak než přes jeden regexp, ale přeci jen je to výzva. Přes lookbehind konstrukci to asi nejde, zkoušel jsem nějak přes skupiny, ale k pozitivnímu výsledku jsem se zatím nedobral...

"\&\; one ; two;  " 
--> "\&\; one  two \ \;"

---

---

Odpovědi

[Ash]

Entitu &something; můžete zapstat jako &something; První část (&) se převede na ampersand a společně s druhou částí dotvoří požadovaný text.

"& one ; two;  " 
--> "& one  two  "

[Filip Jirsák]

Proč by to přes lookbehind nemělo jít? Zkusil jsem to v Groovy (Javovskou třídu pro regexp znám, Pythonovskou bych musel hledat), ale v Javě se používají Perl-like regulární výrazy stejně jako v Pythonu, takže tenhle výraz by měl fungovat:

java.util.regex.Pattern.compile("(?<!&amp|&nbsp);").matcher("&amp; one ; two; &nbsp;").replaceAll("");

[outlier]

V Pythonu musí být v tom lookbehind výrazu řetězec fixované délky, tedy žádné + ani *, dokonce neprojde ani &amp|&nbsp, protože obě varianty nemají stejnou délku.

[wamba]

 ten rgulární výraz by mohl vypadat např:

/(&[^&;]*;|[^&;]*)/g

 Test v perlu:

echo "& one; two;   " |perl -ne 'print m/(&[^&;]*;|[^&;]*)/g'

[wamba]

popř:

echo "& one; two;   " |perl -pe 's/(&[^&;]*;|[^&;]*);?/$1/g'

[outlier]

Díky, funguje i v Pythonu:

line=re.sub(r'(&[^&;]*;|[^&;]*);?',r'\g<1>',line)

Dobrá práce, na to bych sám nepřišel.