与正则表达式的复杂非贪婪匹配

时间:2016-06-08 08:18:17

标签: python regex non-greedy

我正在尝试从HTML表中解析行,其中包含Python中具有正则表达式的特定值的单元格。我在这个(人为的)例子中的目标是获得带有“牛”的行。

import re

response = '''
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
'''

r = re.compile(r'<tr.*?cow.*?tr>', re.DOTALL)

for m in r.finditer(response):
  print m.group(0), "\n"

我的输出是

<tr class="someClass"><td></td><td>chicken</td></tr> <tr class="someClass"><td></td><td>chicken</td></tr> <tr class="someClass"><td></td><td>cow</td></tr>

<tr class="someClass"><td></td><td>cow</td></tr>

<tr class="someClass"><td></td><td>cow</td></tr>

虽然我的目标是获得

<tr class="someClass"><td></td><td>cow</td></tr>

<tr class="someClass"><td></td><td>cow</td></tr>

<tr class="someClass"><td></td><td>cow</td></tr>

我明白非贪心?在这种情况下不起作用,因为回溯是如何工作的。我摆弄着负面的外观和前瞻但却无法让它发挥作用。

有人有建议吗?

我知道像Beautiful Soup等解决方案,但问题是关于理解正则表达式,而不是问题本身。

解决人们对不使用HTML正则表达式的担忧。我想用正则表达式解决的一般问题是从

获取
response = '''0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3randomstuff10randomstuffB4randomstuff10randomstuffB5randomstuff1'''

输出

0randomstuffB3randomstuff1 

0randomstuffB4randomstuff1 

0randomstuffB5randomstuff1 

和randomstuff应解释为随机字符串(但不包含0或1)。

4 个答案:

答案 0 :(得分:4)

你的问题与贪婪无关,而是因为正则表达式引擎试图从左到右尝试在字符串中的每个位置成功。这就是为什么你总是会得到最左边的结果,使用非贪婪的量词不会改变起始位置!

如果您写的内容如下:<tr.*?cow.*?tr>0.*?B.*?1 (对于您的第二个示例)首先尝试使用模式:

  <tr class="someClass"><td></td><td>chicken</td></tr>...
# ^-----here

# or

  0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3ra...
# ^-----here

第一个.*?会吃掉“牛”或“B”字符。结果,第一场比赛是:

<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>

为您的第一个示例,并且:

0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3randomstuff1

第二个。

要获得所需内容,您需要使模式在字符串中不需要的位置失败。要做到这一点.*?是没用的,因为太宽容了。

例如,您可以禁止在“牛”或“B”之前发生</tr>1

# easy to write but not very efficient (with DOTALL)
<tr\b(?:(?!</tr>).)*?cow.*?</tr>

# more efficient
<tr\b[^<c]*(?:<(?!/tr>)[^<c]*|c(?!ow)[^<c]*)*cow.*?</tr>

# easier to write when boundaries are single characters
0[^01B]*B[^01]*1

答案 1 :(得分:2)

如果输入字符串在单独的行中包含每个标记,则Moses Koledoye's answer将起作用 但是,如果标签分布在多行上,则需要以下内容:

import re


response = '''
<tr class="someClass
"><td></td><td>chicken</td></tr><tr class="someClass"><td></td><td>chic
ken</td></tr><tr class="someClass"><td></td><td>cow</td></tr><tr class="someC
lass"><td></td><td>cow</td></tr><tr
class="someClass"><td></td><td>c
ow
</td></tr>
'''


# Remove all the newlines
# Required only if words like 'cow' and '<tr' are split between 2 lines
response = response.replace('\n', '')

r1 = re.compile(r'<tr.*?tr>', re.DOTALL)
r2 = re.compile(r'.*cow.*', re.DOTALL)

for m in r1.finditer(response):
    n = r2.match(m.group())
    if n:
        print n.group(), '\n'

请注意,即使标记位于您提供的示例字符串中所示的单独行上,这也会有效,因此这是一个更通用解决方案。

答案 2 :(得分:0)

如果您的“响应”字符串始终包含换行符,那么您可以在没有正则表达式的情况下执行所需操作。使用内置的split函数创建每行的列表。然后迭代列表,看看'cow'是否在行中:

response = '''
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>chicken</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
<tr class="someClass"><td></td><td>cow</td></tr>
'''

lines = response.split('\n')
cows = []
for line in lines:
    if 'cow' in line:
        cows.append(line)
print(cows)

输出:

['<tr class="someClass"><td></td><td>cow</td></tr>', '<tr class="someClass"><td></td><td>cow</td></tr>', '<tr class="someClass"><td></td><td>cow</td></tr>']

答案 3 :(得分:0)

你根本不需要正则表达式。

一旦添加?量词到你的表达式,你已经使令牌变得懒惰(非贪婪)。

无论如何,你可以这样做:

for line in example:
    if 'cow' in line:
        print(line)

不需要正则表达式。

如果你想知道“非贪婪”的匹配是什么,它会这样做:

import re

lazy = r'[a-z]*?b'
#             ^^ lazy
greedy = r'[a-z]*b'
#               ^ greedy

string = 'aaabbbaaabbb'

print(re.match(lazy, string))
print(re.match(greedy, string))

输出

<_sre.SRE_Match object; span=(0, 4), match='aaab'>
<_sre.SRE_Match object; span=(0, 12), match='aaabbbaaabbb'>

请注意,第一场比赛将匹配,直到遇到第一场'b'。那是因为它试图尽可能少地匹配 (懒惰)。

贪婪的比赛将匹配到最后一个'b',因为它会尽可能多地匹配。

两个匹配都将“根据需要回馈”,也就是说,如果有其他令牌可以匹配,则可能会使用这些匹配。