Python re.sub使用非贪婪模式（。*？）和字符串结尾（$）它变得贪婪！

Question

代码：

str = '<br><br />A<br />B'
print(re.sub(r'<br.*?>\w$', '', str))

预计会返回<br><br />A，但会返回一个空字符串''！

有什么建议吗？

Answer 1

贪婪从左到右，但不是。它基本上意味着“除非你没有匹配，否则不匹配”。这是正在发生的事情：

1. 正则表达式引擎在字符串的开头匹配<br。
2. .*?暂时被忽略，它很懒惰。
3. 尝试匹配>，然后成功。
4. 尝试匹配\w并失败。现在它很有趣 - 引擎开始回溯，并看到.*?规则。在这种情况下，.可以匹配第一个>，因此仍有希望进行该匹配。
5. 这种情况一直持续到正则表达式达到斜线。然后>\w可以匹配，但$失败。同样，引擎返回惰性.*规则，并保持匹配，直到匹配<br><br />A<br />B

幸运的是，有一个简单的解决方案：通过替换<br[^>]*>\w$，您不会允许在您的代码之外进行匹配，因此它应该替换最后一次出现。
严格来说，这对HTML不起作用，因为标记属性可以包含>个字符，但我认为它只是一个例子。

Answer 2

非贪婪不会在以后开始。它与第一个<br匹配，并且非贪婪地匹配其余的，实际上需要转到字符串的末尾，因为您指定了$。

要使其按照您想要的方式工作，请使用

/<br[^<]*?>\w$/

但通常情况下，建议不要使用正则表达式来解析HTML，因为某些属性的值可以包含<或>。