Python正则表达式意外行为

Question

str1='<a href="/states/florida/433" title="florida"><img alt="florida" src="http://abc.com"'
str2='<a href="/states/florida/433" title="florida">'
pat = re.compile('/states/.*/([^"]+)')
if ( pat.findall(str2) == pat.findall(str1)):
    print "TRUE"
else:
    print "FALSE"

输出：FALSE，

输出2：433
输出1：abc.com

有人可以解释吗？

Answer 1

使用勉强的量词- .*? ，而不是贪婪的- .* ，一切都会好起来的：-

pat = re.compile('/states/.*?/([^"]+)')

默认情况下，量词是greedy ，从某种意义上说，它们试图覆盖尽可能多的字符串，并且仍然保留模式的其余部分以匹配其余的字符串。 使用? 在量词变得不愿意之后 ，在这种情况下，它们将在下一个字符的第一个匹配项- /处停止。

Answer 2

在第一个URL上，您的regexp与整个字符串匹配：

<a href="/states/florida/433" title="florida"><img alt="florida" src="http://abc.com
         /states/                                .*                         /([^"]+)

并不是

<a href="/states/florida/433" title="florida"><img alt="florida" src="http://abc.com
         /states/ .*   /([^"])+

他们很贪婪， .*吃掉尽可能多的数据。

Answer 3

您的RegEx正常工作：

<a href="/states/florida/433" title="florida"><img alt="florida" src="http://abc.com"
         ^^^^^^^^............................................................^^^^^^^
         /states/                      .*/                                     [^"]+

和：

<a href="/states/florida/433" title="florida">
         ^^^^^^^^........^^^

如果您不想在第一种情况下使用整个字符串，请使用? ，非贪婪匹配量词表示“ /states/后跟任意数量的字符，直到第一个 /后跟一个或多个非引号字符”

Answer 4

您是贪婪的模式（您可以在以下位置阅读有关贪婪和非贪婪正则表达式模式的信息： http : //docs.python.org/2/library/re.html以及此处： http : //www.itworld.com/nl / perl / 01112001。更改模式

'/states/.*/([^"]+)'

至

'/states/.*/([^"]+)'

返回true。 这是完整的修改源：

import re

str1='<a href="/states/florida/433" title="florida"><img alt="florida" src="http://abc.com"'
str2='<a href="/states/florida/433" title="florida">'
pat = re.compile('/states/.*?/([^"]+)')
if ( pat.findall(str2) == pat.findall(str1)):
    print "TRUE"
else:
    print "FALSE"