Question

我正在看Regex的教程。

它是关于如何从这段html中获取class属性

<pre class="ruby" name="code">

使用的正则表达式是

<pre class="([^"]+)" name="code">

他们建议使用上面的那个而不是

<pre class="(.+)" name="code">

“因为它超出了报价。”

我不明白他们的意思。无论如何它只是工作但是为什么推荐第一个正则表达式。我错过了什么吗？请赐教。

提前致谢。

Answer 1

.+贪婪地匹配。例如，在

中

<pre class="ruby" size="medium" name="code">

它会匹配ruby" size="medium。更糟糕的是，如果在同一行上有两个标记，它将在标记边界上匹配：

<pre class="ruby" name="code">foo</pre> <pre class="python" name="code">bar</pre>

会产生ruby" name="code">foo</pre> <pre class="python！

因此，只要您确切了解HTML的外观，.+就可以正常工作，但只要它意外地发生变化（因为HTML不会这样做），您的正则表达式就不会失败（如第二个会）但它会匹配错误的东西。

因此，第二个正则表达式更安全（因为它更准确地说明允许匹配的内容）。您通常应该尽量避免使用简单的.+或.*“匹配任何内容”，而应考虑您想要匹配的内容。

也就是说，出于完全相同的原因，你不应该尝试将HTML和其他标记语言与正则表达式匹配，因为有更好的工具。

Answer 2

正则表达式匹配通常会尝试匹配最长的正则表达式。因此＆＃34;（[^＆＃34;] +）＆＃34;只匹配它遇到的第一个引用。另一方面，＆＃34;（。+）＆＃34;将从第一个引用匹配到字符串中的 last 引用。

例如，如果我们将它们应用于您的问题，则第一个匹配"ruby"，因为它是您问题中的第一个引用字符串。第二个匹配从"ruby到beyond the quote"一直匹配，因为它是问题中的最后一个引号（并且还包括其他几个引用的字符串。

Answer 3

考虑这个例子：

<pre class="scooby" name="not-code">
  content
</pre>

...other HTML...

<pre class="ruby" name="code">
  content
</pre>

使用此正则表达式[*]：

<pre class="(.+)" name="code">

...第一部分 - <pre class=" - 开始匹配第一个标记，然后(.+)消耗文档的其余部分。但正则表达式的其余部分 - " name="code"> - 在那里无法匹配，所以它会在第二个标记中向后退，直到找到它可以的位置。结果：该小组最终捕获从scooby到ruby的所有内容。

即使您使用非贪婪的(.+?)而非贪婪的(.+)，也是如此。人们常说非贪婪量词导致正则表达式返回最短的匹配，但事实并非如此。就像贪婪的正则表达式一样，在第一次机会时开始匹配;它只是停止匹配。像这样的情况，非贪婪量词没有好处，并不罕见。

另一件需要考虑的事情是，当不可能匹配时 - 例如，如果<pre>个标签带有第一个属性class="~whatever~"，但没有带有name="code"属性的标签。在每一个，贪婪的(.+)将吞噬整个文件，然后退回，直到它到达起点然后放弃。非贪婪的(.+?)不会回溯，但它会扫描整个页面，它会更慢地执行它（它有效地在每个位置对" name="code">进行预测）。

这个正则表达式：

<pre class="([^"]+)" name="code">

...它永远不必扫描超出标签的末尾以确定它是否匹配。

始终考虑如果不可能匹配会发生什么。这可能是最常见的监督正则表达式作者，也是导致性能问题最多的那个。

[*]我假设比赛正在DOTALL模式（a.k.a。单线模式）进行，仅供参考。

Answer 4

取消课程通常会更加具体地说明您想要匹配的内容，并有助于防范Catastrophic Backtracking等情况。

杰夫阿特伍德不久前写了一篇有趣的blog post，他举了一个看似无辜的正则表达式的例子：(x+x+)+y可以（几乎）永远地完成处理。即使主题很小，也是如此：xxxxxxxxxxxxxxxxxxxx。

给它一个阅读，它真的很有趣。

我们为什么要在正则表达式中更喜欢否定字符类？*？

4 个答案: