python - 正则表达式量词

Question

我是正则表达式的新手，这让我很困惑。

在下面的示例中，我想提取facebook.com/pages/Dr-Morris-Westfried-Dermatologist/176363502456825?id=176363502456825&sk=info. 我已经阅读了惰性量词和lookbehinds，但我仍然无法拼凑出正确的正则表达式。我希望facebook.com\/.*?sk=info能工作，但它捕捉到了太多。你们能帮忙吗？

<i class="mrs fbProfileBylineIcon img sp_2p7iu7 sx_96df30"></i></span><span class="fbProfileBylineLabel"><span itemprop="address" itemscope="itemscope" itemtype="http://schema.org/PostalAddress"><a href="https://www.facebook.com/pages/Dr-Morris-Westfried-Dermatologist/176363502456825?sk=page_map" target="_self">7508 15th Avenue, Brooklyn, New York 11228</a></span></span></span><span class="fbProfileBylineFragment"><span class="fbProfileBylineIconContainer"><i class="mrs fbProfileBylineIcon img sp_2p7iu7 sx_9f18df"></i></span><span class="fbProfileBylineLabel"><span itemprop="telephone">(718) 837-9004</span></span></span></div></div></div><a class="title" href="https://www.facebook.com/pages/Dr-Morris-Westfried-Dermatologist/176363502456825?id=176363502456825&amp;sk=info" aria-label="About Dr. Morris Westfried - Dermatologist">

Answer 1

尽管我很喜欢正则表达式，但这是一个 html 解析任务：

>>> from bs4 import BeautifulSoup
>>> html = .... # that whole text in the question
>>> soup = BeautifulSoup(html)
>>> pred = lambda tag: tag.attrs['href'].endswith('sk=info')
>>> [tag.attrs['href'] for tag in filter(pred, soup.find_all('a'))]
['https://www.facebook.com/pages/Dr-Morris-Westfried-Dermatologist/176363502456825?id=176363502456825&sk=info']

Answer 2

这有效:)

facebook\.com\/[^>]*?sk=info

调试演示

只有.*它找到第一个 facebook.com，然后继续直到sk=info. 由于facebook.com之间还有另一个，因此您将它们重叠。

你不想要的唯一的东西是 a >（或<，在其他字符中），因此将任何内容更改  为  a 之外>的任何内容都会根据需要找到facebook.com 最接近, 的东西sk=info。

是的，对 HTML 使用正则表达式只能用于基本任务。否则，使用解析器。

Answer 3

为什么你的模式不起作用：

您的模式不起作用，因为正则表达式引擎在字符串中从左到右尝试您的模式。

当正则表达式引擎遇到facebook.com\/字符串中的第一个时，并且由于您使用after，正则表达式引擎会将所有字符（包括或或空格）.*?添加到（可能的）匹配结果中，直到找到（因为可以匹配除换行符之外的任何字符） .">sk=info.

这就是为什么 fejese 建议将点替换为[^"]或 aliteralmind 建议将其替换为[^>]以使模式在字符串中的此位置（第一个）失败的原因。

如果要处理 html，使用 html 解析器是最简单的方法。但是，对于一次匹配或搜索/替换，请注意，如果 html 解析器提供安全性、简单性，那么它在性能方面是有代价的，因为您需要为单个任务加载文档的整个树。

Answer 4

问题是您还有另一个 facebook.com 部分。您可以限制.*不匹配"，因此它需要保持在一个属性内：

facebook\.com\/[^"]*;sk=info