了解用于在 html 中的字符串之间查找字符串的正则表达式模式

Question

我有以下 html 文件：

<!-- <div class="_5ay5"><table class="uiGrid _51mz" cellspacing="0" cellpadding="0"><tbody><tr class="_51mx"><td class="_51m-"><div class="_u3y"><div class="_5asl"><a class="_47hq _5asm" href="/Dev/videos/1610110089242029/" aria-label="Who said it?" ajaxify="/Dev/videos/1610110089242029/" rel="theater">

为了提取 videos/ 和 /" 之间的数字串，我使用了以下我发现的方法：

import re 

Source_file = open('source.html').read()
result = re.compile('videos/(.*?)/"').search(Source_file)
print result

我已经尝试通过谷歌搜索解释 (.*?) 在此特定实现中的确切工作原理，但我仍然不清楚。有人可以向我解释一下吗？这就是所谓的 "non-greedy" 匹配吗？如果是，那是什么意思？

Answer 1

.表示任意字符。 * 表示任意次数，包括零次。 ? 确实意味着非贪婪；这意味着它将尝试捕获尽可能少的字符，即，如果正则表达式遇到 /，它可以将其与 . 匹配，但它宁愿不匹配，因为 . 是非贪婪的，并且由于正则表达式中的下一个字符很乐意匹配 /，因此 . 不必匹配。如果你没有 ?，那么 . 会吃掉整个文件的其余部分，因为它会拼命匹配尽可能多的东西，而且因为它匹配所有东西，它会永远持续下去。

Answer 2

可以简单的解释一下：

.：匹配任何东西（任何字符），
*：任意次数（至少为零次），
?：次数越少越好（因此非贪婪）。

videos/(.*?)/"

作为正则表达式匹配（例如）

videos/1610110089242029/"

和第一个捕获组returns 1610110089242029，因为任何数字都是“任何字符”的一部分，并且其中至少有零个字符。

? 导致这样的事情：

videos/1610110089242029/" something else … "videos/2387423470237509/"

正确匹配 1610110089242029 和 2387423470237509 而不是 1610110089242029/" something else … "videos/2387423470237509，因此“尽可能少的次数”，因此“非贪婪”。

Answer 3

本文中的?是重复运算符（+、*和?）的特殊运算符。在可用的引擎中，这会导致重复 lazy 或 non-greedy 或 reluctant 或其他此类条款。通常重复是贪婪的，这意味着它应该尽可能匹配。所以在大多数现代 perl 兼容引擎中你有三种类型的重复：

.*  # Match any character zero or more times
.*? # Match any character zero or more times until the next match (reluctant)
.*+ # Match any character zero or more times and don't stop matching! (possessive)

可以在此处找到更多信息：http://www.regular-expressions.info/repeat.html#lazy for reluctant/lazy and here: http://www.regular-expressions.info/possessive.html 所有格（我将在本回答中跳过讨论）。

假设我们有字符串 aaaa。我们可以用 /(a+)a/ 来匹配所有的 a。字面意思是

match one or more a's followed by an a.

这将匹配 aaaa。正则表达式是贪婪的，将匹配尽可能多的 a。第一个子匹配是 aaa.

如果我们使用正则表达式 /(a+?)a 这是

reluctantly match one or more as followed by an a
or
match one or more as until we reach another a

也就是只匹配我们需要的。所以在这种情况下，匹配项是 aa，第一个子匹配项是 a。我们只需要匹配一个 a 来满足重复，然后它后面跟着一个 a.

使用正则表达式在 html 标签、引号和类似内容中进行匹配时经常会出现这种情况——通常保留用于 快速和肮脏的 操作。也就是说，使用正则表达式从非常大且复杂的 html 字符串或带有转义序列的引号字符串中提取可能会导致很多问题，但对于特定用例来说它完全没问题。所以在你的情况下我们有：

/Dev/videos/1610110089242029/

表达式需要匹配 videos/ 后跟零个或多个字符后跟 /"。如果只有一个视频URL那还好，不勉强

但是我们有

/videos/1610110089242029/" ... ajaxify="/Dev/videos/1610110089242029/"

毫不勉强，正则表达式将匹配：

1610110089242029/" ... ajaxify="/Dev/videos/1610110089242029

它会尽量匹配，/ 和 " 满足 . 就好了。不情愿地，匹配在第一个 /" 处停止（实际上它回溯了，但您可以单独阅读）。因此你只得到你需要的url部分。

了解用于在 html 中的字符串之间查找字符串的正则表达式模式

Understanding regex pattern used to find string between strings in html

python

regex

non-greedy

python-2.7