匹配Google Cache网址的正则表达式（当包含单词时匹配整个href参数）

Question

免责声明：我知道html和正则表达式不应该站在一起，但这是一个例外情况。

我需要解析Google搜索结果并提取缓存网址。我在页面中有这个：

<a href="/url?q=http://webcache.googleusercontent.com/search%3Fq%3Dcache:
gsNKb7ku3ewJ:somedata&ei=MyIIUtrZAcPX7AaVzIHwDg&amp;ved=0CB8QIDAC&amp;usg
=AFQjCNGcnWfdzQiTKwyAMmI-M-xzxII5Ag">Cached</a>

我尝试过简单的东西：href=[\'"]?([^\'" >]+)，但这不是我需要的东西。我想从 href 中提取单个参数（ q ）。我需要得到：

http://webcache.googleusercontent.com/search%3Fq%3Dcache:gsNKb7ku3ewJ:somedata

当“url？q =”和第一个“＆amp;”之间的所有内容时，内容中包含单词“webcache”。

Answer 1

使用之前的介绍，并在结尾处向前看以断言周围的文本，并在正则表达式中包含关键字：

(?<=url\?q=)[^&]*webcache[^&]*(?=&)

使用[^&]*可确保关键字出现在＆amp; - 在目标字符串中。

Answer 2

如果您的语言支持积极的观察：

(?<=q=).*?(?=[&"])

否则将组\1与此表达式匹配：

(?:q=)(.*?)(?=[&"])

---

说明：

• .*?是我们表达的主体。只是匹配一切，但不要贪心！
• (?<=q=)是一个积极的后卫，在比赛前说“q =”应该来了
• (?=[&"])是一个积极的向前看，其中说“在比赛结束之后，应该和/或引用”

因为我们对?不贪心，所以它会在第一个引号或符号处停止。否则它会一直匹配收盘价。