Réparer les crochets de balises HTML à l'aide de Python

essayez cette

Hello, how <sub> are </sub> you ? There is a <sub> small error </sub> in this text here and another one <sub> here </sub> .

la sortie sera

text = 'Hello, how <sub> are </sub> you ? There is a <sub> small error </sub  in this text here and another one <sub> here /sub> .'

text_list = text.split();
for i, word in enumerate(text.split()):
    if 'sub' in word:
        if '<' != word[0]:
            word = '<' + word
        if '>' != word[-1]:
            word += '>'
        text_list[i] = word

result = ' '.join(text_list)
print(result)

Je chercherais une expression comme sub. *? / sub . Il ne suppose rien du tout sur les crochets, mais il ne correspondra qu'à sub qui est associé à / sub , ce qui diminue la probabilité de fausses correspondances. Le quantificateur réticent *? est nécessaire pour éviter qu'il ne corresponde au premier sous et au dernier / sub :

Ajoutez à cela le fait que les groupes de capture sont autorisés par re.sub :

text = re.sub('<?sub>?(.*?)<?/sub>?', '<sub>\\1</sub>', text)

using regex;

Hello, how <sub> are </sub> you ? There is a <sub> small error </sub>  in this text here and another one <sub> here </sub> .

sortie:

import re
text = 'Hello, how <sub are </sub> you ? There is a <sub> small error </sub  in this text here and another one <sub> here /sub> .'

text = re.sub(r'<?[^/]sub>?', '<sub>', text)
text = re.sub(r'<?/sub>?', '</sub>', text)

print(text)

Modifier : comment ça marche, p >

re.sub (modèle de recherche, réplication, chaîne) il recherchera un modèle de chaîne et remplacez-le par un autre

' [^ /] sub>?' pour expliquer la signification de ce modèle le démontera:

"" signifie rechercher un texte 'peut-être' contient '

[^ /] signifie qu'il ne contient pas de '/'

'sub' qu'il doit contient le mot 'sous'

'>?' il contient peut-être '>'

Excellente question! Voici une solution qui ne code pas en dur le mot sub et fonctionne sur des balises arbitraires, tant qu'il n'y a qu'un seul crochet manquant et que la balise HTML ne contient aucun attribut (sinon, comment savoir quand la balise devrait être fermé? Nous pourrions utiliser le format attr = "" , mais cela devient risqué). De plus, les balises n'ont pas besoin d'être séparées par des espaces comme le montre votre exemple, ce qui n'est pas le cas habituel en HTML.

Code

<li>
    <a>
        About Us
        <span>
            Learn more about Stack Overflow the company
        </span>
    </a>
</li>
<li>
    <a>
        Business
        <span>
            Learn more about hiring developers or posting ads with us
        </span>
    </a>
</li>
repaired matches original? True

Test

if __name__ == "__main__":
    original = '''<li>
    <a>
        About Us
        <span>
            Learn more about Stack Overflow the company
        </span>
    </a>
</li>
<li>
    <a>
        Business
        <span>
            Learn more about hiring developers or posting ads with us
        </span>
    </a>
</li>'''
    corrupted = '''li>
    <a
        About Us
        span>
            Learn more about Stack Overflow the company
        </span
    </a
/li>
<li
    <a
        Business
        span>
            Learn more about hiring developers or posting ads with us
        /span>
    </a
</li'''

    print(repair_tags(corrupted))
    print("repaired matches original?", repair_tags(corrupted) == original)

Output

import re

def repair(text, backwards=False):
    left_bracket, right_bracket = "<", ">"

    if backwards:
        left_bracket, right_bracket = ">", "<"

    i = 0

    while i < len(text):
        if text[i] == left_bracket:
            j = i + 1

            while j < len(text) and re.match(r"[/\w]", text[j]):
                j += 1

                if backwards and text[j-1] == "/":
                    break

            if j >= len(text) or text[j] != right_bracket:
                text = text[:j] + right_bracket + text[j:]

            i = j

        i += 1

    return text

def repair_tags(html):
    return repair(repair(html[::-1], True)[::-1])

Comment ça marche

Parcourez le recherche de chaîne pour un caractère entre crochets. Quand on en trouve un, avancez jusqu'à ce que la fin de la chaîne soit atteinte ou qu'un caractère non-mot soit rencontré. Placez un crochet compagnon si la recherche atteint la fin de la chaîne ou si le caractère non-mot actuel n'est pas le crochet compagnon correct.

Ensuite, effectuez la même opération sur la chaîne inversée, en changeant les crochets cibles et faire un léger ajustement pour casser sur le / lors de la recherche de l'emplacement de la balise de fermeture.

La complexité temporelle n'est pas grande à cause de la construction de chaînes. Il y a sans aucun doute une expression régulière simple, alors prenez-la comme une preuve de concept.

Essayez-le!