Question

我有一个正则表达式可以从HTML代码块中解析出文件夹和文件名，并排除扩展名为.ini的文件名。

我当前的正则表达式：/href="([\w]+)(\.[\w]+)*/ig

匹配第一组：1个以上的文字字符
将两个分组进行0次以上的匹配：.然后是1个以上的文字字符
标记：不区分大小写且尽可能多地匹配

我尝试一次使用负前瞻（我认为这是正确的解决方案）来删除匹配项（如果扩展名为.ini）。可悲的是，我没有完成任务，而我在这里。我选择不包括上述尝试，因为这只会污染问题

通过互联网阅读：

Negative Lookahead
匹配不包含字符串的字符串：https://www.regextester.com/15
Regular expression for excluding file types .exe and .js

要重述：

我有两个小组。
我认为我应该做的是使用负前瞻匹配.ini，然后，如果匹配，则从该匹配中排除所有个组。

我可以弄清楚如何仅忽略.ini组，但不能弄清楚如何使正则表达式忽略所有组。您能帮我找出正确的正则表达式吗？

示例输入字符串

我用来测试正则表达式的HTML代码示例块。

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 3.2 Final//EN">
<html>
 <head>
  <title>Index of /images/AAVS</title>
 </head>
 <body>
<h1>Index of /images/AAVS</h1>
  <table>
   <tr><th valign="top"><img src="/icons/blank.gif" alt="[ICO]"></th><th><a href="?C=N;O=D">Name</a></th><th><a href="?C=M;O=A">Last modified</a></th><th><a href="?C=S;O=A">Size</a></th><th><a href="?C=D;O=A">Description</a></th></tr>
   <tr><th colspan="5"><hr></th></tr>
<tr><td valign="top"><img src="/icons/back.gif" alt="[PARENTDIR]"></td><td><a href="/images/">Parent Directory</a>       </td><td>&nbsp;</td><td align="right">  - </td><td>&nbsp;</td></tr>
<tr><td valign="top"><img src="/icons/folder.gif" alt="[DIR]"></td><td><a href="20190823/">20190823/</a>              </td><td align="right">2019-09-19 19:37  </td><td align="right">  - </td><td>&nbsp;</td></tr>
<tr><td valign="top"><img src="/icons/folder.gif" alt="[DIR]"></td><td><a href="20190826/">20190826/</a>              </td><td align="right">2019-09-19 19:31  </td><td align="right">  - </td><td>&nbsp;</td></tr>
<tr><td valign="top"><img src="/icons/unknown.gif" alt="[   ]"></td><td><a href="desktop.ini">desktop.ini</a>            </td><td align="right">2019-09-19 19:24  </td><td align="right">136 </td><td>&nbsp;</td></tr>
   <tr><th colspan="5"><hr></th></tr>
</table>
</body></html>

另外，我想说的是，我确信有更好的方法。欢迎所有批评！

Answer 1

正则表达式为(?<=href=")[^"]+(?<!\.ini)(?=")

(?<=href=") href="后面的正面表情
[^"]+ 尽可能多地匹配非双引号字符
(?<!\.ini) .ini后面的负向
(?=") 双引号的正向预测

代码：

import re

html = """<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 3.2 Final//EN">
<html>
 <head>
  <title>Index of /images/AAVS</title>
 </head>
 <body>
<h1>Index of /images/AAVS</h1>
  <table>
   <tr><th valign="top"><img src="/icons/blank.gif" alt="[ICO]"></th><th><a href="?C=N;O=D">Name</a></th><th><a href="?C=M;O=A">Last modified</a></th><th><a href="?C=S;O=A">Size</a></th><th><a href="?C=D;O=A">Description</a></th></tr>
   <tr><th colspan="5"><hr></th></tr>
<tr><td valign="top"><img src="/icons/back.gif" alt="[PARENTDIR]"></td><td><a href="/images/">Parent Directory</a>       </td><td>&nbsp;</td><td align="right">  - </td><td>&nbsp;</td></tr>
<tr><td valign="top"><img src="/icons/folder.gif" alt="[DIR]"></td><td><a href="20190823/">20190823/</a>              </td><td align="right">2019-09-19 19:37  </td><td align="right">  - </td><td>&nbsp;</td></tr>
<tr><td valign="top"><img src="/icons/folder.gif" alt="[DIR]"></td><td><a href="20190826/">20190826/</a>              </td><td align="right">2019-09-19 19:31  </td><td align="right">  - </td><td>&nbsp;</td></tr>
<tr><td valign="top"><img src="/icons/unknown.gif" alt="[   ]"></td><td><a href="desktop.ini">desktop.ini</a>            </td><td align="right">2019-09-19 19:24  </td><td align="right">136 </td><td>&nbsp;</td></tr>
   <tr><th colspan="5"><hr></th></tr>
</table>
</body></html>"""

l = re.findall(r'(?<=href=")[^"]+(?<!\.ini)(?=")', html, flags=re.I)
print(l)

打印：

['?C=N;O=D', '?C=M;O=A', '?C=S;O=A', '?C=D;O=A', '/images/', '20190823/', '20190826/']

上面的正则表达式将接受任何href值，这就是为什么它返回诸如'?C=N;O=D'之类的值的原因。如果希望将其限制为专门查找的组成文件和文件夹名称的值，则可以使用限制性更强的正则表达式，例如：

(?<=href=")[a-z0-9_./-]+(?<!\.ini)(?=")

这将导致打印：

['/images/', '20190823/', '20190826/']

但是，实际上，根据我的研究，?C=N;O=D是Linux文件系统中的合法文件名。

您甚至可以在不使用先行搜索或先行搜索的情况下完成任务：

l = [m.group(1) for m in re.finditer(r'(?:href=")([^"]+)(?:")', html, flags=re.I) if not m.group(1).lower().endswith(".ini")]

正则表达式排除所有带有负前瞻匹配的组

1 个答案: