9

我想匹配 dotall 和 non-greedy。这就是我所拥有的：

img(.*?)(onmouseover)+?(.*?)a

然而，这并不是不贪婪。此数据与我预期的不匹配：

<img src="icon_siteItem.gif" alt="siteItem" title="A version of this resource is available on siteItem" border="0"></a><br><br></td><td rowspan="4" width="20"></td></tr><tr><td>An activity in which students find other more specific adjectives to 
describe a range of nouns, followed by writing a postcard to describe a 
nice holiday without using the word 'nice'.</td></tr><tr><td>From the resource collection: <a href="http://www.siteItem.co.uk/index.asp?CurrMenu=searchresults&amp;tag=326" title="Resources to help work">Drafting </a></td></tr><tr><td><abbr style="border-bottom:0px" title="Key Stage 3">thing</abbr> | <abbr style="border-bottom:0px" title="Key Stage 4">hello</abbr> | <abbr style="border-bottom:0px" title="Resources">Skills</abbr></td></tr></tbody></table></div></div></td></tr><tr><td><div style="padding-left: 30px"><div><table style="" bgcolor="#DFE7EE" border="0" cellpadding="0" cellspacing="5" width="100%"><tbody><tr valign="top"><td rowspan="4" width="60"><a href="javascript:requiresLevel0(350,350);"><img name="/attachments/3700.pdf" onmouseover="ChangeImageOnRollover(this,'/application/files/images/attach_icons/rollover_pdf.gif')" onmouseout="ChangeImageOnRollover(this,'/application/files/images/attach_icons/small_pdf.gif')" src="small_pdf.gif" alt="Download Recognising and avoiding ambiguity in PDF format" title="Download in PDF format" style="vertical-align: middle;" border="0"></a><br>790.0 k<br>

我不明白为什么。

我认为我在上面的正则表达式中所说的是：

以“img”开头，然后允许 0 个或多个任何字符，包括换行符，然后查找至少 1 个“onmouseover”，然后允许 0 个或多个任何字符，包括换行符，然后是“a”

为什么这不像我预期的那样工作？

关键点：必须启用dotall

4

2 回答 2

15

它是不贪婪的。你对非贪婪的理解是不正确的。

正则表达式将始终尝试匹配。

让我展示一个简化的示例，说明非贪婪的实际含义（如评论所建议）：

re.findall(r'a*?bc*?', 'aabcc', re.DOTALL)

这将匹配：

  • 尽可能少地重复“a”（在本例中为 2）
  • 后跟一个'b'
  • 尽可能少地重复“c”（在本例中为 0）

所以唯一的匹配是'aab'.

总结一下：

不要使用正则表达式来解析 HTML。有一些图书馆是为这项工作而设计的。re不是其中之一。

于 2012-02-29T23:03:18.997 回答
5

首先，你的正则表达式看起来有点古怪：你说的是匹配“img”，然后是任意数量的字符，“onmouseover”至少一次，但可能重复（例如“onmouseoveronmouseoveronmouseover”），然后是任意数量的字符，后跟“一”。

img src="icon_这应该从一路匹配到onmouseover="Cha. 这可能不是你想要的，但这是你要求的。

其次，这一点更为重要：

不要使用正则表达式来解析 HTML。

如果你第一次不理解，让我用斜体重复一遍：

不要使用正则表达式来解析 HTML。

最后，让我将您链接到有关该主题的规范魔典：

您无法使用正则表达式解析 [X]HTML

于 2012-02-29T23:20:48.390 回答