正则表达式量词

Question

我是正则表达式的新手，这让我很难过。

在以下示例中，我想提取facebook.com/pages/Dr-Morris-Westfried-Dermatologist/176363502456825?id=176363502456825&sk=info。我已经阅读了懒惰量词和外观，但我仍然无法拼凑出正确的正则表达式。我希望facebook.com\/.*?sk=info可以工作，但它会捕获太多。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

Debuggex Demo

仅.*时，它会找到第一个 facebook.com，然后一直持续到sk=info。由于之间存在另一个facebook.com，因此重叠它们。

您不之间的独特之处在于>（或<，以及其他字符），因此更改任何内容除<{1}} 以外的任何内容，您可以根据需要找到> 最接近 facebook.com。

是的，使用HTML的正则表达式只能用于基本任务。否则，请使用解析器。

Answer 3

问题是你有另一个facebook.com部分。您可以将.*限制为不匹配"，因此它需要保留在一个属性中：

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

Answer 4

为什么您的模式不起作用

您的模式不起作用，因为正则表达式引擎会在字符串中尝试从左到右模式

。

当正则表达式引擎遇到字符串中的第一个facebook.com\/，并且之后使用.*?时，正则表达式引擎将添加（可能的）匹配结果所有字符（包括{{1 }}或"或空格），直到找到>（因为sk=info可以匹配除换行符之外的任何字符）。

这就是为什么fejese建议用.替换点或aliteralmind建议用[^"]替换它以使模式在字符串中的这个位置失败（第一个）。

如果你想处理html，使用html解析器是最简单的方法。但是，对于ponctual匹配或搜索/替换，请注意，如果html解析器提供安全性，简单性，则它在性能方面具有成本，因为您需要为单个任务加载文档的整个树。