python 贪婪 非贪婪 匹配

2023-03-27 17:46:32

python 中的正则是匹配换行以外的所有的字符。.* 是匹配不了所有的字符的。在某些情况下,我的结论是正确的,但是在某些情况下,我的结论又是错误的。刚才遇到的问题,现在终于知道是怎么回事了,原来是贪婪匹配和非贪婪匹配的问题,对于这种情况,我也是相对迟钝了。
save.html 是我随便抓来的一个html,我要从这个html中抓出所有的 javascript代码段。

def getcss():

    fh = open('save.html')
    html =fh.read()

    #js_pattern = re.compile(r'<script .*?">');
    ans = re.findall(r'<script .*?>.*?</script>',html,re.S)

    src_pattern = re.compile(r'^"http.*"');
    for i in ans:
        #ret = re.findall(src_pattern,i)
        print i

通过上面的程序,我得到了下面的结果。源文件是一个html,格式一般,这些代码段是分行的,我的目的是找出所有的代码段。下面做一个简单的解释。在尝试的过程中,我试了好几种正则表达式,下面讲一下我遇到的问题。
这里写图片描述
实现是跨行匹配的问题,.*是无法匹配\n的,所以如果标签分布在不同的行,那么如何匹配中间的内容呢。为了解决跨行匹配的问题,找到了这个解决方案,可以用([\d\D]*)或([\w\W]*) 或([\s\S]*) 来代替。
然后又遇到了问题,我的正则总是会匹配太多的内容,最后发现,我的匹配模式是按照最多内容匹配的。默认的匹配模式是贪婪匹配,所以如果用了.*的话,总会匹配更多的内容。所以找到了这个参考。python贪婪匹配看到了贪婪匹配和非贪婪匹配的核心在一个?上,re.S标记是多行匹配的关键,类似的标记还有re.M标记,这个是一行的标记。re.M:^$标志将会匹配每一行,默认^和$只会匹配第一行,文章里有几个例子还是很不错的,值得仔细研究一下,建议自己执行一下这些代码,看下结果,如果这些都很清楚,那么正则掌握的还算不错。

re.findall(r"a(\d+?)", "a23b")
re.findall(r"a(\d+)", "a23b")
re.findall(r"a(\d+)b.+a(\d+)b", "a23b\na34b")
re.findall(r"a(\d+)b.+a(\d+)b", "a23b\na34b", re.S)

最后,实现了上面我提出的需求,主要利用了跨行匹配和非贪婪匹配。

  • 作者:typeof_
  • 原文链接:https://blog.csdn.net/u012250655/article/details/44087219
    更新时间:2023-03-27 17:46:32