zoukankan      html  css  js  c++  java
  • python正则中的贪婪与非贪婪

    当重复一个正则表达式时,如用 a*,操作结果是尽可能多地匹配模式。当你试着匹配一对对称的定界符,如 HTML 标志中的尖括号。匹配单个 HTML 标志的模式不能正常工作,因为 .* 的本质是“贪婪”的

    >>> s = '<html><head><title>Title</title>'
    >>> len(s)
    32
    >>> print re.match('<.*>', s).span()
    (0, 32)
    >>> print re.match('<.*>', s).group()
    <html><head><title>Title</title>
    RE 在 "<html>" 中 匹配 "<",.* 会消耗掉字符串的剩余部分。RE 中保持更多的向左匹配, 不能在字符串结尾匹配“>”,因此正则表达式必须一个字符一个字符地回溯,直到它找到 > 的匹配。最终的匹配从 "<html" 中的 "<" 到 "</title>" 中的 ">",这变成了全文匹配,并不是你想要的结果。

    在这种情况下,解决方案是使用不贪婪的限定符 *?、+?、?? 或 {m,n}?,尽可能匹配小的文本。在上面的例子里,在第一个 "<" 之后立即尝试匹配 ">",当它失败时,引擎一次增加一个字符,并在每步重试 匹配">"。这个处理将得到正确的结果:

    >>> print re.match('<.*?>', s).group()
    <html>

    注意一下比较:

    >>> re.findall(r"a(d+?)""a23b")
            
    ['2']
    >>> 
    re.findall(r"a(d+)""a23b")
            ['23']

    ---------------比较一下两者的不同------------------------

    >>> re.findall(r"a(d+)b""a23b")
            
    ['23']
    >>> 
    re.findall(r"a(d+?)b""a23b")

            
    ['23']

    有时使用贪婪模式匹配网页代码时,会出现卡机情况,比如用这个语句:

    sty_scr_tag = re.compile('(<style.*?[^>]*>.*?([Ss]+)</style>)|(<script.*?[^>]*>.*?</script>)|(<script.*?[^>]*>.*?([Ss]+?)</script>)',re.M)
    content = sty_scr_tag.sub('', content)

    去匹配baike.baidu.com这个网页,你会发现编译器一直卡在那里不会动,但当语句变成这个:

    sty_scr_tag = re.compile('(<style.*?[^>]*>.*?</style>)|(<script.*?[^>]*>.*?</script>)|(<script.*?[^>]*>.*?([Ss]+?)</script>)',re.M)
    content = sty_scr_tag.sub('', content)

    时,就可以了

  • 相关阅读:
    HDU 5087 (线性DP+次大LIS)
    POJ 1064 (二分)
    Codeforces 176B (线性DP+字符串)
    POJ 3352 (边双连通分量)
    Codeforces 55D (数位DP+离散化+数论)
    POJ 2117 (割点+连通分量)
    POJ 1523 (割点+连通分量)
    POJ 3661 (线性DP)
    POJ 2955 (区间DP)
    LightOJ 1422 (区间DP)
  • 原文地址:https://www.cnblogs.com/pigerhan/p/3441967.html
Copyright © 2011-2022 走看看