Python 使用BeautifulSoup或正则表达式分析无效的锚标记

我希望parse解析包含html锚标记的原始文档，但不幸的是，它包含无效标记，例如：

<a href="A 4"drive bay">some text here</a>

代码只是将锚定标记替换为纯文本

如果有人能帮我解决这个问题，我会非常感激。。。

---

正则表达式也可以^^

我想您可以通过正则表达式对输入文本进行预过滤，以更正此特定问题。比如：

>>> r = re.compile('''<a[^>]+href="([^>]+)">''')
>>> m = r.match(text)
>>> m.group(1)
'A 4"drive bay'
>>> r.sub('<a href="%s">' % m.group(1).replace('"', ' '), text)
'<a href="A 4 drive bay">some text here</a>'

---

这不是一个完整的解决方案；这只是一个如何前进的想法。

Selfhtm 8.1.2德国经常使用的HTML文档建议：

第一位拉丁字符a-z，a-z 后面的拉丁字符，数字0-9，-，或。 我使用以下正则表达式来确保第一个要求：

name="[^a-zA-Z]

n。B第一个前导空间似乎并不那么重要，它适用于大多数正则表达式实现，例如。Ghelios的textpad编辑器

为了简化工作，我还有一个用于其他要求的正则表达式：它还捕获一个字符锚，它们是有效的，但它将有助于识别可能的问题：

name=".?[^a-zA-Z0-9_\.-][^"]*"

我在语法检查器中发现的大多数其他问题

name=".?[^a-zA-Z0-9_\.-][^"]*"