正则表达式re.sub替换不完整的问题现象及其根本原因

问题描述

问题的起因来自于一段正则替换。为了从一段HTML代码里面提取出正文，去掉所有的HTML标签和属性，可以写一个Python函数：

import re
def remove_tag(html):
    text = re.sub('<.*?>', '', html, re.S)
    return text

这段代码的使用了正则表达式的替换功能re.sub。这个函数的第一个参数表示需要被替换的内容的正则表达式，由于HTML标签都是使用尖括号包起来的，因此使用<.*?>就可以匹配所有<xxx yyy="zzz">和</xxx>。

第二个参数表示被匹配到的内容将要被替换成什么内容。由于我需要提取正文，那么只要把所有HTML标签都替换为空字符串即可。第三个参数就是需要被替换的文本，在这个例子中是HTML源代码段。

至于re.S，在4年前的一篇文章中我讲到了它的用法：Python正则表达式中的re.S->https://www.kingname.info/2014/12/21/Python%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%E4%B8%AD%E7%9A%84re-S/

现在使用一段HTML代码来测试一下：

import re
def remove_tag(html):
    text = re.sub('<.*?>', '', html, re.S)
    return text
source_1 = '''
<div class="content">今天的主角是<a href="xxx">kingname</a>，我们掌声欢迎！</div>
'''
text = remove_tag(source_1)
print(text)

运行效果如下图所示，功能完全符合预期。

再来测试一下代码中有换行符的情况：

import re
def remove_tag(html):
    text = re.sub('<.*?>', '', html, re.S)
    return text
source_2 = '''
<div class="content">
    今天的主角是
    <a href="xxx">kingname</a>
    ，我们掌声欢迎！
</div>
'''
text = remove_tag(source_2)
print(text)

运行效果如下图所示，完全符合预期。

经过测试，在绝大多数情况下，能够从的HTML代码段中提取出正文。但也有例外。

例外情况

有一段HTML代码段比较长，内容如下：

<img></span><span>遇见kingname</span></a ><a  ><span>< img '></span><span >温柔</span></a ><a  ><span >#青南#</span></a > <br />就在这里…<br />我的小侯爷呢？？？

运行效果如下图所示，最后两个HTML标签替换失败。

一开始我以为是HTML里面的空格或者引号引起的问题，于是我把HTML代码进行简化：

<img></span><span>遇见kingname</span></a><a><span><img></span><span>温柔</span></a><a><span>#青南#</span></a><br/>就在这里…<br/>我的小侯爷呢

问题依然存在，如下图所示。

而且更令人惊讶的是，如果把第一个标签<img>删了，那么替换结果里面就少了一个标签，如下图所示。

实际上，不仅仅是删除第一个标签，前面任意一个标签删了都可以减少结果里面的一个标签。如果删除前面两个或以上标签，那么结果就正常了。

答疑解惑

这个看起来很奇怪的问题，根本原因在re.sub的第4个参数。从函数原型可以看到：

def sub(pattern, repl, string, count=0, flags=0)

第四个参数是count表示替换个数，re.S如果要用，应该作为第五个参数。所以如果把remove_tag函数做一些修改，那么结果就正确了:

def remove_tag(html):
    text = re.sub('<.*?>', '', html, flags=re.S)
    return text

那么问题来了，把re.S放在count的位置，为什么代码没有报错？难道re.S是数字？实际上，如果打印一下就会发现，re.S确实可以作为数字：

>>> import re
>>> print(int(re.S))
16

现在回头数一数出问题的HTML代码，发现最后多出来的两个<br>标签，刚刚好是第17和18个标签，而由于count填写的re.S可以当做16来处理，那么Python就会把前16个标签替换为空字符串，从而留下最后两个。

至此问题的原因搞清楚了。

这个问题没有被及早发现，有以下几个原因：

1. 被替换的HTML代码是代码段，大多数情况下HTML标签不足16个，所以问题被隐藏。
   
2. re.S是一个对象，但也是数字，count接收的参数刚好也是数字。
   
3. re.S 处理的情况是<div class="123" \n> 而不是<div class="123">\n</div>但测试的代码段标签都是第二种情况，所以在代码段里面实际上加不加re.S效果是一样的。