python - 寻找包含字母数字 + "&"和 ";"的正则表达式

Question

问题是:

split=re.compile('\\W*')

这个正则表达式在处理常规单词时效果很好，但有时我需要表达式包含像 käyttäj&aml;auml; 这样的单词。

我应该向正则表达式添加什么以包含 & 和 ; 字符？

Answer 1

我会将实体视为一个单元(因为它们也可以包含数字字符代码)，从而产生以下正则表达式:

(\w|&(#(x[0-9a-fA-F]+|[0-9]+)|[a-z]+);)+

这个匹配

• 要么是一个单词字符(包括“_”)，要么
• 一个 HTML 实体，包含
  • 字符“&”，
    • 字符“#”，
      • 字符“x”后跟至少一个十六进制数字，或者
      • 至少一位小数，或
    • 至少一个字母(=命名实体)，
  • 分号
• 至少一次。

/编辑:感谢 ΤZΩΤZΙΟΥ 指出错误。