【求助】正则如何查找未匹配的闭合标签

技术交流与词典编修
8

其实，你大可直接把中文英文标签删除，
然后重新匹配汉字，加上新标签。

9

谢谢！本来想弄懂这个问题，在网上耗费了很多时间。在网上看到的也是两种处理方式，一、绕道，二、举例。举例的本人都试了，要么报错要么不是需要的结果。主要还是本人水平很低，所以现在只想直接获取答案。没有更多时间去捣鼓了。

10

要闭合标签找我啊。

1 Like
11

兄台的工具确实强大哈，推荐。

不过对有的嵌套位置问题判定过于严格，如<a><b><c><d></b></d></c></a>
会报4条错误。

手工改正，只要把</b>后挪一下就可消除这4条错误。

1 Like
12

请问在哪儿？

13

写得很简陋，还有很多问题，有需要可以把文本文件发我。标签错误的行号列号，会给你标注出来。

1 Like
14

@jcz777 请教下，为什么你要用正则引擎Onigmo的格式 [\x{4e00}-\x{9fff}]，缺省引擎的格式 [\u4e00-\u9fff] 不是更好吗？有什么说法？

1 Like
15

为了能匹配扩展区汉字。

默认的boost regex引擎做不到，只能换Onigmo了。

Emeditor汉字匹配
注意：重要一个，正则表达式引擎修改为：Onigmo。


基本汉字	[\x{3007}\x{4e00}-\x{9fff}]
扩展A区	[\x{3400}-\x{4DBF}]
扩展B区	[\x{20000}-\x{2A6DF}]
扩展C区	[\x{2A700}-\x{2B73F}]
扩展D区	[\x{2B740}-\x{2B81F}]
扩展E区	[\x{2B820}-\x{2CEA1}]
扩展F区	[\x{2CEB0}-\x{2EBE0}]
扩展G区	[\x{30000}-\x{3134A}]
兼容	[\x{F900}-\x{FAD9}]
兼容扩展	[\x{2F800}-\x{2FA1D}]
部首扩展	[\x{2E80}-\x{2EF3}]
注音	[\x{3105}-\x{312F}]
笔画	[\x{31C0}-\x{31E3}]
康熙部首	[\x{2F00}-\x{2FD5}]
注音扩展	[\x{31A0}-\x{31BA}]
私用SSP	[\x{E000}-\x{F8FF}]
私用PUA-A	[\x{F0000}-\x{FFFFF}]
私用PUA-B	[\x{100000}-\x{10FFFF}]
3 Likes
16

就是说，如果选默认的boost regex引擎，用这个式子 [\u4e00-\u9fff] 也搜不到扩展区汉字？这就不太好理解了，不是 4e00~9fff 区间对了就能匹配到吗？

我的理解，不同引擎的差别只是写法不同，\x{4e00} \u4e00，难道还有别的不同？

2 Likes
17

基本区汉字4e00-9fff有20992个汉字，一般来说，用这个范围就可以了。
但是经常会碰到扩展区的汉字，boost regex就匹配不了。
（最常用的新华字典都有一百多个B区汉字）

1 Like
18

谢谢解答！还是不太理解这两个引擎为什么会有这个差别。

EmEditor用扩展A区第一个字“㐀”试验发现：

  • 缺省引擎 \u3400 搜不到
  • 缺省引擎 \x{3400} 可以搜到
  • Onigmo引擎 \u3400 可以搜到
  • Onigmo引擎 \x{3400} 可以搜到

根据这个网页的介绍，Onigmo引擎下匹配所有汉字可以用 \p{Han}，刚试了下 “㐀” 这个字是可以匹配到的
<>EmEditor v15.7.0 beta 1 – EmEditor (Text Editor)<>

19

使用\p{Han}，需要考虑词典文本字符覆盖的范围。Unicode已经更新到15， 而Onigmo目前只支持到Unicode 12，也就是说对于13-15的汉字，用\p{Han}，是匹配不到的。

4 Likes
20

谢谢！<><><>

21

多谢！暂时还不需要，期盼大作早日完善。

2 Likes
22

Onigmo，H区也是可以匹配到的。

[\x{31350}-\x{323af}]

截图未命名

1 Like
23

我们说的不是一回事啊，你用\p{Han}能匹配H区的汉字？

24

0.0.
呵，没看仔细。确实。
phan

2 Likes
26

非常感谢各位的鼎力相助，热情回复，受益匪浅。

27

确实如 atauzki 所说，bs4会自动修复非闭合的标签

#测试1
>>> from bs4 import BeautifulSoup
>>> t = '<span class="ex"> <span class="ch">👉灯一下又亮了。<en> </span> <span class="en">After a while the lights went on again.<en> </span> <ex> </span>'
>>> BeautifulSoup(t).find(class_='ex')
<span class="ex"> <span class="ch">👉灯一下又亮了。<en> </en></span> <span class="en">After a while the lights went on again.<en> </en></span> <ex> </ex></span>

#测试2
>>> t = '<span class="ex"> <span class="ch">👉灯一下又亮了。<span class="en">After a while the lights went on again.'
>>> BeautifulSoup(t).find(class_='ex')
<span class="ex"> <span class="ch">👉灯一下又亮了。<span class="en">After a while the lights went on again.</span></span></span>

bs4的修复逻辑不一定符合你的要求

#测试3
>>> t = '<span class="ex"> <span class="ch">👉灯一下又亮了。<en> <span class="en">After a while the lights went on again.<en> </span> <ex> </span>'
>>> BeautifulSoup(t).find(class_='ex')
<span class="ex"> <span class="ch">👉灯一下又亮了。<en> <span class="en">After a while the lights went on again.<en> </en></span> <ex> </ex></en></span></span>

最好先找找有没有更靠谱的数据源，以免白做工

我以前用emeditor的时候，会用这种方法从里到外一层一层剥掉标签，
em

添加到批处理里面，一般执行十几次就可以，最后剩下的都是有问题的。（做这一步之前要先处理一下自闭合的标签）

3 Likes
28

再次感谢楼上各位，查找的方法应该了解了。同时再次感谢 @Vim @last_idol @jcz777 指点解决带出来的标签问题。

1 Like