Python中的非貪婪正則表達式

Question

給定文本：

'Adf adf asdf asdf asfdf https：//.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf https：//.com/abcabcabc \\ n kdfja ladsjfladsjf ladksjf ladsjcom / jfka \\ nka djldjfld djfladjf ldfdjlkfj ldfj。”

如何匹配https：//.com/subdir形式的任何url [直到出現空格或換行，逗號或句號]？

嘗試：

re.findall('http.*',s) 
['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf https://<somepage>.com/abcabcabc', 'https://<somepage>.com/djflkajdsfl']

re.findall('http.* ',s) 
['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf ']

re.findall('http.* ?',s) 
['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf https://<somepage>.com/abcabcabc', 'https://<somepage>.com/djflkajdsfl']

re.findall('http.* {1}?',s) 
['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf ']

re.findall('http.* +?',s) 
['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf ']

re.findall('http.*[^ \n]',s) 
['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf
https://<somepage>.com/abcabcabc', 'https://<somepage>.com/djflkajdsfl']

re.findall('http.*[^ \\n]',s) ['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf
https://<somepage>.com/abcabcabc', 'https://<somepage>.com/djflkajdsfl']

re.findall('http.*[^ \\\n]',s) ['https://<somepage>.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf
https://<somepage>.com/abcabcabc', 'https://<somepage>.com/djflkajdsfl']

re.findall('http.* *?',s) ['https://imgur.com/abcabcabc kdfja ladsjfladsjf ladksjf ladsjfl adsfadf adf asdf asdf asfdf https://imgur.com/abcabcabc', 'https://somepage.com/djflkajdsfl']

Answer 1

請嘗試以下操作：

re.findall('http[^ \n,]*',s)

您可以在此處查看此操作。

由於您使用. ，懶惰（ .*? ）和貪婪（ .* ）都不適合您。 懶惰只會移動一個字符然后停止，而貪婪會一直持續到最后。

而是要指定不需要的字符。 （ [^ \\n,] ），然后進行搜索。 由於要在這些字符的第一個實例處停止，因此要使用貪婪搜索來執行此操作。

自從. URL中的字符是合法的，因此很難基於此限制字符串。 由於您始終想包含一個子目錄，因此可以使用以下方法完成此操作：

re.findall('http[^ \\n,]*/[^ \\n,\.]*',s)

您可以在此處查看此操作。

Answer 2

第一個示例中的問題不在於regexp匹配的空格太多； 在空格前匹配了太多字母。 因此，不要放下您的“非貪婪” ? 空格后的修飾符，請將其放在.*后面，因為這與當前的匹配太多有關。

py3.7 >>> re.findall('http.*? ', s)
['https://.com/abcabcabc ']

---

另一方面， [^ \\n] 並不是任何修飾符，它是一個完全匹配的表達式。 因此，將其放在現有表達式之后並不會使其匹配程度降低； 您現在有兩個匹配表達式，它們一起匹配更多。

您必須使用它代替匹配過多的表達式，而不是. ：

py3.7 >>> re.findall('http[^ \n]*', s)
['https://.com/abcabcabc', 'https://.com/abcabcabc', 'https://.com/djflkajdsfl']