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：2658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

#coding:utf-8
import re
s="""<composer>WolfgangAmadeus Mozart</composer>
<author>SamuelBeckett</author>
<city>London</city>"""
pattern1=re.compile("<\w+>") #匹配<>中任意的字符
pattern2=re.compile(">.+</") #匹配><中任意的字符
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表
#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）
for i in range(len(listNames)):
#输出的时候利用切片丢弃多余的符号，如：<>/
print(listNames[i][1:len(listNames[i])-1],":",
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

#coding:utf-8
import re
s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"
pattern1=re.compile("<\w+>") #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
pattern2=re.compile(">.+</") #匹配><中任意的字符,问号必须加，"?"是非贪婪匹配
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表
#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）
for i in range(len(listNames)):
#输出的时候利用切片丢弃多余的符号，如：<>/
print(listNames[i][1:len(listNames[i])-1],":",
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

#coding:utf-8
import re
s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"
pattern1=re.compile("<\w+>") #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
pattern2=re.compile(">.+</") #匹配><中任意的字符,问号必须加，"?"是非贪婪匹配
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表
print(listNames)
print(listContents)
#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）
for i in range(len(listNames)):
#输出的时候利用切片丢弃多余的符号，如：<>/
print(listNames[i][1:len(listNames[i])-1],":",
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

#coding:utf-8
import re
s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"
pattern1=re.compile("<\w+?>") #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
pattern2=re.compile(">.+?</") #匹配><中任意的字符,问号必须加，"?"是非贪婪匹配
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表
#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）
for i in range(len(listNames)):
#输出的时候利用切片丢弃多余的符号，如：<>/
print(listNames[i][1:len(listNames[i])-1],":",
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

#coding:utf-8
import re
s="<composer>Wolfgang Amadeus Mozart</composer><author>Samuel Beckett</author><city>London</city>"
pattern1=re.compile("<(\w+?)>") #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
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
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表
#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）
for i in range(len(listNames)):
print(listNames[i],":",
listContents[i])