python正則表達式多個可選捕獲組

Question

我試圖捕獲多個組忽略情況，並且暫時沒有任何進展。 我正在檢查該字符串可以有多種形式，一些例如

<A title="Test title Ch.42" href="http://www.google.com">Test title Ch.42 </a> 
<A title="Test title Vol2. Ch.42" href="http://www.google.com">Test title Vol2. Ch.42 </a> 
<A title="Test title Vol2.Ch.42" href="http://www.google.com">Test title Vol2.Ch.42 </a> 
<A title="Test title \"with multiple quotes\" Ch.42" href="http://www.google.com">Test title "with multiple quotes" Ch.42 </a> 
<A title="Test title w1th numb3rs Ch.42" href="http://www.google.com">Test title w1th numb3rs Ch.42 </a> 
<A title="Test title no 42" href="http://www.google.com">Test title no 42 </a> 

所以一般的規則是這樣的：

• 在標題標籤的主標題可以包含每一個字符包括數字和特殊字符

• 的URL是一個標準的URL，而可以是與（。*）表達捕獲毫無問題

• The Ch。通常是可選的

• 如果字符串包含Vol。，Ch。獲得強制性

我現在的正則表達式如下：

pattern = re.compile('<A title="((.*)(?:Vol.[\d]+){0,1}(?: Ch.){0,1}([\d]+))" href="(.*)">') 

我想嘗試和捕捉：

• 與卷和章節，包括其背後的號碼標題標籤

• 沒有Vol和Ch的標題（沒有Vol和C後面的數字） h）

• Ch。

它會更好分裂正則表達式，這將是爲更好的性能（它運行在幾千字符串，所以我想保持它的高性能）？

親切的問候Baumchen

Answer 1

正則表達式是不是在這種情況下，分析的最佳工具，我想有工具恰好爲。然而，隨着給定的例子，你可以試試這個：

<a title="(.+?)\s?((Vol(\d+))?\s?\.?(Ch.(\d+)))?"\shref="(.+)"> 

DEMO

• group(1) - 標題，
• group(2) - 卷與NUM或/與章與NUM，
• group(3) - 卷帶號碼
• group(4) - 只有號碼（Vol）
• group(5) - 中國與數
• group(6) - 只有
• group(7)（的CH）數 - URL