为什么非贪婪的Python Regex不够贪婪？

Question

我已经在一组字符串网址上实现了非贪婪的正则表达式，我试图清理它们，以便它们在.com（.co.uk等）之后结束。其中一些在所需截止后继续'或"或<，因此我使用了x = re.findall('([A-Za-z0-9]+@\S+.co\S*?)[\'"<]', finalSoup2)。

问题是有些网址是misc@misc.misc' misc＆＃39;＆＃39; misc＆＃39; （或类似于＆lt;＆gt;）等实现非贪婪的正则表达式后，我仍然留下enquiries@smart-traffic.com.au">enquiries@smart-traffic.com.au，例如。

我已经尝试了两个??，但显然无法正常工作，那么他们在这种情况下实现干净网址的正确方法是什么？

Answer 1

你的正则表达式的问题在于你目前只寻找非空格（句号）而不是寻找非空格（句号）非空格。

因此，在这种情况下，您可以根据上述信息使用以下正则表达式。

>>> finalSoup2 = """
... misc@misc.misc'misc''misc
... enquiries@smart-traffic.com.au">enquiries@smart-traffic.com.au
... google.com
... google.co.uk"'<>Stuff
... """
>>>x = re.findall('([A-Za-z0-9]+@[^\'"<>]+)[\'"<]', finalSoup2)
>>>x
['misc@misc.misc',
 'enquiries@smart-traffic.com.au',
 'enquiries@smart-traffic.com.au\ngoogle.com\ngoogle.co.uk']

然后您可以使用它来获取您想要的网址，但您必须确保将它们拆分为r'\n'，因为它们可能在文本中有换行符，如上所示。