python 正则表达式多个可选捕获组

Question

我尝试捕获多个忽略案例的组，但暂时没有任何进展。我正在检查的字符串可以有多种形式，例如

<A title="Test title Ch.42" href="http://www.google.com">Test title Ch.42  </a>
<A title="Test title Vol2. Ch.42" href="http://www.google.com">Test title Vol2. Ch.42  </a>
<A title="Test title Vol2.Ch.42" href="http://www.google.com">Test title Vol2.Ch.42  </a>
<A title="Test title \"with multiple quotes\" Ch.42" href="http://www.google.com">Test title "with multiple quotes" Ch.42  </a>
<A title="Test title w1th numb3rs Ch.42" href="http://www.google.com">Test title w1th numb3rs Ch.42  </a>
<A title="Test title no 42" href="http://www.google.com">Test title no 42  </a>

所以一般来说规则是这样的：

title标签中的主标题可以包含所有字符，包括数字和特殊字符
url 是标准的 url，但可以用 (.*) 表达式捕获而不会出现问题
通道。一般是可选的
如果字符串包含 Vol.，Ch.强制执行

我当前的正则表达式如下所示：

pattern = re.compile('<A title="((.*)(?:Vol.[\d]+){0,1}(?: Ch.){0,1}([\d]+))" href="(.*)">')

我想尝试捕获：

带有 Vol 和 Ch 的标题标签，包括后面的数字
没有Vol和Ch的标题（也没有Vol和Ch后面的数字）
Ch.后面的数字

拆分正则表达式会更好吗，什么对性能更好（运行超过几千个字符串，所以我想保持它的性能）？

问候 Baumchen

Answer 1

在这种情况下，Regex 不是解析的最佳工具，我想确实有适合的工具。但是对于给定的例子，你可以试试这个：

<a title="(.+?)\s?((Vol(\d+))?\s?\.?(Ch.(\d+)))?"\shref="(.+)">

DEMO

group(1) - 标题，
group(2) - Vol with num or/with Ch with num,
group(3) - 数量
group(4) - 只有数量（卷）
group(5) - Ch with number
group(6) - 只有数量（Ch.）
group(7) - URL

python 正则表达式多个可选捕获组

python regex multiple optional capture groups

python

regex

capture-group