了解用於在html中的字符串之間查找字符串的正則表達式模式

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">

為了在videos/和/"之間拉出數字字符串，我使用發現的以下方法：

import re 

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

我已經嘗試使用Googling解釋(.*?)在此特定實現中的確切工作方式，但是我仍然不清楚。 有人可以向我解釋嗎？ 這就是所謂的“非貪婪”比賽嗎？ 如果是，那是什么意思？

Answer 1

? 在這種情況下，是重復運算符（ + ， *和? ）上的特殊運算符。 在可用的引擎中，這導致重復是懶惰的 ， 非貪婪的或不情願的或其他此類術語。 通常，重復是貪婪的，這意味着它應盡可能匹配。 因此，在大多數現代的Perl兼容引擎中，您有三種重復類型：

.*  # 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)

可以在以下位置找到更多信息： http : //www.regular-expressions.info/repeat.html#lazy （不願意/懶惰），以及http://www.regular-expressions.info/possessive.html （所有格）我將跳過此答案中的討論）。

假設我們有字符串aaaa 。 我們可以將所有a與/(a+)a/匹配。 從字面上看是

匹配一個或多個a ，然后匹配a 。

這將匹配aaaa 。 正則表達式是貪婪的，將匹配盡可能多a 。 第一個子匹配是aaa 。

如果我們使用正則表達式/(a+?)a

勉強匹配一個或多個a然后匹配a
要么
匹配一個或多個a s，至我們到達另一個a

也就是說，只匹配我們需要的東西。 因此，在這種情況下，與之匹配的是aa和第一副配對是a 。 我們只需要匹配一個a來滿足重復，然后后面跟一個a 。

當使用正則表達式在html標記，引號之類的內容中進行匹配時，這通常會保留很多，通常用於快速而骯臟的操作。 也就是說，使用正則表達式從非常大且復雜的html字符串或帶轉義序列的帶引號的字符串中提取可能會引起很多問題，但對於特定的用例而言，這是完全可以的。 因此，在您的情況下，我們有：

/Dev/videos/1610110089242029/

表達式需要匹配videos/后跟零個或多個字符，后跟/" 。如果只有一個視頻URL，那很好，不用勉強。

但是我們有

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

不用勉強，正則表達式將匹配：

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

它會嘗試盡可能地匹配，並且/和"滿足.就很好。由於勉強，匹配會在第一個/"處停止（實際上它回溯了，但您可以單獨閱讀）。 因此，您只獲得所需的部分URL。

Answer 2

可以用一種簡單的方式來解釋：

• . ：匹配任何內容（任何字符），
• * ：任意次數（至少零次），
• ? ：盡可能少的次數（因此不貪心 ）。

videos/(.*?)/"

正則表達式匹配（例如）

videos/1610110089242029/"

第一個捕獲組返回1610110089242029 ，因為任何數字都是“任何字符”的一部分，並且其中至少有零個字符。

? 導致這樣的事情：

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

正確匹配為1610110089242029和2387423470237509而不是1610110089242029/" something else … "videos/2387423470237509 ， 1610110089242029/" something else … "videos/2387423470237509 ，因此“應盡可能少地次數”，因此應“非貪婪”。

Answer 3

的. 表示任何字符。 *表示任意多次，包括零次。 ? 確實意味着不貪心； 這意味着它將嘗試捕獲盡可能少的字符，即，如果正則表達式遇到/ ，則可以將其與匹配. ，但寧願不要因為. 是非貪婪的，並且由於正則表達式中的下一個字符很樂意匹配/ ，因此. 不必。 如果您沒有? 那. 會吞噬整個文件的其余部分，因為它會一點點地砍去匹配盡可能多的內容，並且由於它匹配所有內容，因此它將永遠持續下去。