[英]Complex non-greedy matching with regular expressions
我正在嘗試從HTML表中解析行,其中包含在Python中使用正則表達式的特定值的單元格。 我在這個(人為的)例子中的目標是獲得帶有“牛”的行。
import re
response = '''
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
'''
r = re.compile(r'<tr.*?cow.*?tr>', re.DOTALL)
for m in r.finditer(response):
print m.group(0), "\n"
我的輸出是
<tr class="someClass"><td></td><td>chicken</td></tr> <tr class="someClass"><td></td><td>chicken</td></tr> <tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
雖然我的目標是獲得
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
我明白非貪心? 在這種情況下不起作用,因為回溯是如何工作的。 我擺弄着負面的外觀和前瞻但卻無法讓它發揮作用。
有人有建議嗎?
我知道像Beautiful Soup等解決方案,但問題是關於理解正則表達式,而不是問題本身。
解決人們對不使用HTML正則表達式的擔憂。 我想要使用正則表達式來解決的一般問題是來自
response = '''0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3randomstuff10randomstuffB4randomstuff10randomstuffB5randomstuff1'''
輸出
0randomstuffB3randomstuff1
0randomstuffB4randomstuff1
0randomstuffB5randomstuff1
和randomstuff應解釋為隨機字符串(但不包含0或1)。
您的問題與貪婪無關,而是與正則表達式引擎嘗試從左到右在字符串中的每個位置成功。 這就是為什么你總是得到最左邊的結果,使用非貪婪的量詞不會改變起始位置!
如果您寫的內容如下: <tr.*?cow.*?tr>
或0.*?B.*?1
(對於您的第二個示例) ,首先嘗試使用模式:
<tr class="someClass"><td></td><td>chicken</td></tr>...
# ^-----here
# or
0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3ra...
# ^-----here
第一個.*?
會吃掉字符直到“牛”或“B”。 結果,第一場比賽是:
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
為你的第一個例子,和:
0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3randomstuff1
為了第二個。
要獲得所需的內容,需要使模式在字符串中不需要的位置失敗。 要做到這一點.*?
因為過於寬容而沒用。
例如,你可以禁止在“牛”或“B”之前發生</tr>
或1
。
# easy to write but not very efficient (with DOTALL)
<tr\b(?:(?!</tr>).)*?cow.*?</tr>
# more efficient
<tr\b[^<c]*(?:<(?!/tr>)[^<c]*|c(?!ow)[^<c]*)*cow.*?</tr>
# easier to write when boundaries are single characters
0[^01B]*B[^01]*1
如果輸入字符串在單獨的行中包含每個標記,則Moses Koledoye的答案將起作用。
但是,如果標簽分布在多行上,則需要以下內容:
import re
response = '''
<tr class="someClass
"><td></td><td>chicken</td></tr><tr class="someClass"><td></td><td>chic
ken</td></tr><tr class="someClass"><td></td><td>cow</td></tr><tr class="someC
lass"><td></td><td>cow</td></tr><tr
class="someClass"><td></td><td>c
ow
</td></tr>
'''
# Remove all the newlines
# Required only if words like 'cow' and '<tr' are split between 2 lines
response = response.replace('\n', '')
r1 = re.compile(r'<tr.*?tr>', re.DOTALL)
r2 = re.compile(r'.*cow.*', re.DOTALL)
for m in r1.finditer(response):
n = r2.match(m.group())
if n:
print n.group(), '\n'
請注意,即使標記位於您提供的示例字符串中所示的單獨行上,這也會起作用,因此這是一種更通用的解決方案。
如果您的“響應”字符串始終包含換行符,那么您可以在沒有正則表達式的情況下執行所需操作。 使用內置split
功能創建每行的列表。 然后迭代列表,看看'cow'是否在行中:
response = '''
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
'''
lines = response.split('\n')
cows = []
for line in lines:
if 'cow' in line:
cows.append(line)
print(cows)
輸出:
['<tr class="someClass"><td></td><td>cow</td></tr>', '<tr class="someClass"><td></td><td>cow</td></tr>', '<tr class="someClass"><td></td><td>cow</td></tr>']
你根本不需要正則表達式。
只要你加上? 對你的表達量詞,你已經使令牌變得懶惰(非貪婪)。
無論如何,你可以這樣做:
for line in example:
if 'cow' in line:
print(line)
不需要正則表達式。
如果你想知道“非貪婪”的匹配是做什么的,它會這樣做:
import re
lazy = r'[a-z]*?b'
# ^^ lazy
greedy = r'[a-z]*b'
# ^ greedy
string = 'aaabbbaaabbb'
print(re.match(lazy, string))
print(re.match(greedy, string))
產量
<_sre.SRE_Match object; span=(0, 4), match='aaab'>
<_sre.SRE_Match object; span=(0, 12), match='aaabbbaaabbb'>
請注意,第一場比賽將匹配,直到遇到第一場'b'。 那是因為它試圖盡可能少地匹配(懶惰)。
貪婪的匹配將匹配到最后一個'b',因為它嘗試匹配盡可能多的次數。
兩個匹配都將“根據需要回饋”,也就是說,如果有其他令牌可以匹配,則可以使用這些匹配。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.