Python 正則表達式：(.+) 和 (.+?) 之間的區別

Question

我是 regex 和 Python 的 urllib 的新手。 我瀏覽了一個關於網絡抓取的在線教程，它有以下代碼。 在研究了正則表達式之后，在我看來，我可以在正則表達式中使用 (.+) 而不是 (.+?) ，但是我錯了。 我最終打印了比我想要的更多的 html 代碼。 我以為我掌握了正則表達式的竅門，但現在我很困惑。 請向我解釋這兩個表達式之間的區別以及為什么它會抓取這么多 html。 謝謝！

附： 這是一個星巴克股票報價刮刀。

import urllib
import re

url = urllib.urlopen("http://finance.yahoo.com/q?s=SBUX")
htmltext = url.read()
regex = re.compile('<span id="yfs_l84_sbux">(.+?)</span>')
found = re.findall(regex, htmltext)

打印找到

Answer 1

.+是貪婪的——它匹配直到不能再匹配為止，並且只在需要時返回。

.+? 不是——它一有機會就停止。

例子：

假設你有這個 HTML：

<span id="yfs_l84_sbux">foo bar</span><span id="yfs_l84_sbux2">foo bar</span>

這個正則表達式匹配整個事情：

<span id="yfs_l84_sbux">(.+)<\/span>

它一直走到最后，然后“返回”一個</span> ，但其余的正則表達式匹配最后一個</span> ，因此完整的正則表達式匹配整個 HTML 塊。

但是這個正則表達式在第一個</span>處停止：

<span id="yfs_l84_sbux">(.+?)<\/span>

Answer 2

? 是一個非貪婪的修飾符。 *默認情況下是一個貪婪的重復運算符 - 它會吞噬它所能吞噬的一切； 什么時候修改? 它變得不貪婪，並且只會吃掉滿足它的量。

因此對於

<span id="yfs_l84_sbux">want</span>text<span id="somethingelse">dontwant</span>

.*?</span>會吃掉want ，然后點擊</span> - 這滿足了 regexp 的最小重復. ，導致<span id="yfs_l84_sbux">want</span>成為匹配項。 然而， .*會嘗試看看它是否可以吃更多 - 它會去尋找另一個</span> ， .*? 匹配want</span>text<span id="somethingelse">dontwant ，導致你得到什么 - 遠遠超過你想要的。

Answer 3

(.+)是貪婪的。 它盡其所能，並在需要時回饋。

(.+?)是不貪婪的。 它需要盡可能少。

看：

delegate

[delegate] /^(.+)e/
[de]legate /^(.+?)e/

此外，比較此處和此處的“Regex 調試器日志”將向您展示 ungreedy 修飾符更有效的作用。