Question

我开始学习python spider在网上下载一些图片，我发现代码如下。我知道一些基本的正则表达式。我知道\.jpg表示.jpg，|表示or。第一行[^\s]*?的含义是什么？我想知道为什么使用\s？两个正则表达式之间的区别是什么？

http:[^\s]*?(\.jpg|\.png|\.gif)
http://.*?(\.jpg|\.png|\.gif)

Answer 1

好的，为了回答你的第一个问题，我会打破[^\s]*?。

方括号（[]）表示character class。字符类基本上意味着您希望在该位置，一次匹配类中的任何内容。 [abc]将匹配字符串a，b和c。在这种情况下，您的角色类在开头使用插入符号（^）否定 - 这会颠倒其含义，使其与但中的所有字符匹配它
\s相当简单 - 它是许多正则表达式中常见的速记，用于＆＃34;任何空格字符＆＃34;。这包括空格，制表符和换行符。
*?有点难以解释。 * quantifier非常简单 - 它意味着＆＃34;匹配此标记（在这种情况下为字符类）零次或多次＆＃34;。 ?应用于量词时，会使其 lazy - 它会尽可能少地匹配，一次从左到右一个字符。

在这种情况下，整个模式片段[^\s]*?的含义是＆＃34;匹配任何非空白字符序列，包括空字符串＆＃34;。正如评论中所提到的，这可以更简洁地写成\S*?。

要回答问题的第二部分，我会比较你给出的两个正则表达式：

http:[^\s]*?(\.jpg|\.png|\.gif)
http://.*?(\.jpg|\.png|\.gif)

它们都以相同的方式启动：尝试匹配URL开头的协议和后续的冒号（:）字符。然后第一个匹配任何不包含任何空格的字符串，并以指定的文件扩展名结束。同时，第二个匹配两个字面斜杠字符（/），然后匹配任何字符序列，后跟有效的扩展名。

现在，显而易见的是，这两种模式都与URL匹配，但两者都不正确。例如，第一个模式将匹配像

这样的字符串

http:foo.bar.png
http:.png

两者都无效。同样，第二种模式将允许空格，允许这样的东西：

http:// .jpg
http://foo bar.png

在有效的网址中，这同样是非法的。一个更好的正则表达式（虽然我强烈反对尝试匹配正则表达式的URL）可能看起来像：

https?://\S+\.(jpe?g|png|gif)

在这种情况下，它会匹配以http和https开头的网址，以及以jpg的两种变体形式结尾的文件。