python正则中最短匹配

2018-05-18 13:55:37作者: 陌上行走来源: [链接]己有:2046人学习过

下面从一个例子入手:

利用正则表达式解析下面的XML/HTML标签:

<composer>Wolfgang Amadeus Mozart</composer>

<author>Samuel Beckett</author> 

<city>London</city> 

希望自动格式化重写为: 

composer: Wolfgang Amadeus Mozart 

author: Samuel Beckett 

city: London 

一个代码是这样的形式:


[python] view plain copy

  1. #coding:utf-8  

  2. import re  

  3. s="""<composer>WolfgangAmadeus Mozart</composer> 

  4.      <author>SamuelBeckett</author> 

  5.      <city>London</city>"""  

  6. pattern1=re.compile("<\w+>")   #匹配<>中任意的字符  

  7. pattern2=re.compile(">.+</")   #匹配><中任意的字符  

  8. listNames=pattern1.findall(s)  #获取所有满足正则表达式pattern1的字符串的列表  

  9. listContents=pattern2.findall(s)  #获取所有满足正则表达式pattern2的字符串的列表  

  10. #由于xml是规范的,所以是一一对应(对于错误输入,暂时不考虑)  

  11. for i in range(len(listNames)):  

  12.     #输出的时候利用切片丢弃多余的符号,如:<>/  

  13.     print(listNames[i][1:len(listNames[i])-1],":",  

  14.           listContents[i][1:len(listContents[i])-2])  

        这个代码运行后结果是可以的。


        下面我们修改下s的格式:


[python] view plain copy

  1. #coding:utf-8  

  2. import re  

  3.   

  4. s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"  

  5. pattern1=re.compile("<\w+>")   #匹配<>中任意的字符  

  6. # 此模式为非贪婪模式,所以s不是多行也可以匹配  

  7. pattern2=re.compile(">.+</")   #匹配><中任意的字符,问号必须加,"?"是非贪婪匹配  

  8. listNames=pattern1.findall(s)  #获取所有满足正则表达式pattern1的字符串的列表  

  9. listContents=pattern2.findall(s)  #获取所有满足正则表达式pattern2的字符串的列表  

  10.   

  11. #由于xml是规范的,所以是一一对应(对于错误输入,暂时不考虑)  

  12. for i in range(len(listNames)):  

  13.     #输出的时候利用切片丢弃多余的符号,如:<>/  

  14.     print(listNames[i][1:len(listNames[i])-1],":",  

  15.           listContents[i][1:len(listContents[i])-2])  

        得到的答案如下所示:



      我们打印一下匹配到的两个结果看一下,修改代码如下:


[python] view plain copy

  1. #coding:utf-8  

  2. import re  

  3.   

  4. s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"  

  5. pattern1=re.compile("<\w+>")   #匹配<>中任意的字符  

  6. # 此模式为非贪婪模式,所以s不是多行也可以匹配  

  7. pattern2=re.compile(">.+</")   #匹配><中任意的字符,问号必须加,"?"是非贪婪匹配  

  8. listNames=pattern1.findall(s)  #获取所有满足正则表达式pattern1的字符串的列表  

  9. listContents=pattern2.findall(s)  #获取所有满足正则表达式pattern2的字符串的列表  

  10.   

  11. print(listNames)  

  12. print(listContents)  

  13.   

  14. #由于xml是规范的,所以是一一对应(对于错误输入,暂时不考虑)  

  15. for i in range(len(listNames)):  

  16.     #输出的时候利用切片丢弃多余的符号,如:<>/  

  17.     print(listNames[i][1:len(listNames[i])-1],":",  

  18.           listContents[i][1:len(listContents[i])-2])  

    显示结果如下:


      从第一个箭头显示可以看出,这个处理是对的,那么看第二个箭头,这个匹配的结果显然是不对的了,那么是什么原因呢?

     这是因为在正则中,‘*’、‘+’、‘?’这些是贪婪匹配,如用 a*,操作结果是尽可能多地匹配模式。所以当你试着匹配一对对称的定界符,如 HTML 标志中的尖括号。匹配单个 HTML 标志的模式不能正常工作,因为 .* 的本质是“贪婪”的 。在这种情况下,解决方案是使用不贪婪的限定符 *?、+?、?? 或 {m,n}?,尽可能匹配小的文本。
      那么代码可以修改如下:


[python] view plain copy

  1. #coding:utf-8  

  2. import re  

  3.   

  4. s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"  

  5. pattern1=re.compile("<\w+?>")   #匹配<>中任意的字符  

  6. # 此模式为非贪婪模式,所以s不是多行也可以匹配  

  7. pattern2=re.compile(">.+?</")   #匹配><中任意的字符,问号必须加,"?"是非贪婪匹配  

  8. listNames=pattern1.findall(s)  #获取所有满足正则表达式pattern1的字符串的列表  

  9. listContents=pattern2.findall(s)  #获取所有满足正则表达式pattern2的字符串的列表  

  10.   

  11. #由于xml是规范的,所以是一一对应(对于错误输入,暂时不考虑)  

  12. for i in range(len(listNames)):  

  13.     #输出的时候利用切片丢弃多余的符号,如:<>/  

  14.     print(listNames[i][1:len(listNames[i])-1],":",  

  15.           listContents[i][1:len(listContents[i])-2])  


       最后,用分组对代码的正则进行优化一下,如下:


[python] view plain copy

  1. #coding:utf-8  

  2. import re  

  3.   

  4. s="<composer>Wolfgang Amadeus Mozart</composer><author>Samuel Beckett</author><city>London</city>"  

  5. pattern1=re.compile("<(\w+?)>")   #匹配<>中任意的字符  

  6. # 此模式为非贪婪模式,所以s不是多行也可以匹配  

  7. pattern2=re.compile("<\w+?>(.+?)</\w+?>")   #匹配<a>...</a>中任意的字符,问号必须加,"?"是非贪婪匹配  

  8. listNames=pattern1.findall(s)  #获取所有满足正则表达式pattern1的字符串的列表  

  9. listContents=pattern2.findall(s)  #获取所有满足正则表达式pattern2的字符串的列表  

  10.   

  11. #由于xml是规范的,所以是一一对应(对于错误输入,暂时不考虑)  

  12. for i in range(len(listNames)):  

  13.     print(listNames[i],":",  

  14.           listContents[i])  






标签(TAG)python  

分享到 :

0条评论 添加新评论

后发表评论