python3 正则问题

Question

ss=''鞍山市立山区胜利北路号-S&#xf1a2'

res=re.findall('(&#x.*?)',sss)
res
['&#x', '&#x', '&#x', '&#x']
我想匹配&#xf74a  &#xf5c6   &#xf1a5  &#xf1a2  ，但是总是匹配出来是空，求大佬

我要匹配的是4个不是3个

Answer 1

re.findall('(&#x.*?)(?=;)',sss)

---

*? 会匹配尽可能少的字符。空串是字符最少的，并且可以匹配。那么 .*? 自然就只匹配一个空串了。

(?=;) 是 lookahead ，要求后续串可以匹配 ;。这样 .*? 必须匹配到四个 hex 字符，然后后面才能匹配到 ;。

re

Answer 2

零宽断言

增加子模式

Answer 3

这是 html 的 16 进制 unicode 转义，可以用 r'&#x[\da-f]+' 提取出来

s = '鞍山市立山区胜利北路号-S&#xf1a2'
print(re.findall(r'&#x[\da-f]+', s, re.IGNORECASE))
# ['&#xf74a', '&#xf5c6', '&#xf1a5', '&#xf1a2']

html 的 16 进制 unicode 转义允许不以 ; 结束，只要匹配到非 16 进制即可结束，且不区分大小写

s = '&#xf74ag&#XF1A2'
print(re.findall(r'&#x[\da-f]+', s, re.IGNORECASE))
# ['&#xf74a', '&#XF1A2']

但如果要替换，还是得匹配掉 ;，如解码

s = 'a-&#x7a'
print(re.sub(r'&#x([\da-f]+);?', lambda m: chr(int(m[1], 16)), s, 0, re.IGNORECASE))
# a-z

PS：如果字体库不遵循 unicode 规范，那么这个编码自然也不是 unicode（如字体反爬）