與正則表達式複雜的非貪婪匹配

Question

我想從包含具有Python正則表達式的特定值的單元格的HTML表中解析行。我在這個（人爲的）例子中的目標是獲得「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" 

我的輸出

<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>

雖然我的目標是讓

<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>

據我所知，非貪婪？在這種情況下不起作用，因爲回溯工作原理。我擺弄負面的向後看和前瞻，但無法讓它工作。

有人有建議嗎？

我知道像美麗湯等解決方案，但問題是關於理解正則表達式，而不是問題本身。

解決人們關於不使用HTML正則表達式的問題。普遍的問題我想用正則表達式來解決不僅是從

response = '''0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3randomstuff10randomstuffB4randomstuff10randomstuffB5randomstuff1''' 

得到輸出

0randomstuffB3randomstuff1 

0randomstuffB4randomstuff1 

0randomstuffB5randomstuff1 

和randomstuff應該被解釋爲隨機字符串（但含有0沒有或1）。

Answer 1

您的問題與貪婪無關，但是正則表達式引擎試圖從字符串的每個位置成功地從左到右成功。這就是爲什麼你總是會獲得最左邊的結果，並且使用非貪婪量詞不會改變開始位置！

如果你寫的東西，如：<tr.*?cow.*?tr>或0.*?B.*?1（你的第二個例子）模式會先嚐試：

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

# or 

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

而且第一.*?會吃字符，直到「牛」或「B」。結果，第一場比賽是：

<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> 

你的第一個例子，：

0randomstuffA1randomstuff10randomstuffA2randomstuff10randomstuffB3randomstuff1 

第二。

---

爲了得到你想要什麼，你需要做的模式失效在字符串中不需要的位置。要做到這一點.*?是無用的，因爲太寬容了。

例如，您可以禁止在「牛」或「B」之前發生</tr>或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 

Answer 2

如果你的'響應'字符串總是包含換行符，那麼你可以做任何你需要的，而不需要正則表達式。使用內置的split函數來創建每行的列表。然後在列表上迭代，看「牛」是在該行：

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) 

輸出：

['<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>'] 

Answer 3

你並不真正需要的正則表達式這在所有。

只要您添加？量化表達式，你已經令令牌懶惰（非貪婪）。

不管怎樣，你可以只是做：

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

無需正則表達式。

如果你想知道一個「非貪婪」的比賽做什麼，它這樣做：

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)) 

輸出

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

注意的是，第一場比賽將匹配直到第一個「B '遇到。這是因爲它試圖儘可能少地匹配（懶惰）。

貪婪的匹配會匹配到最後一個'b'，因爲它會嘗試儘可能匹配。

兩場比賽都會根據需要回復，也就是說，如果還有其他可以匹配的令牌，則可以使用這些令牌。

Answer 4

如果輸入字符串包含單獨行上的每個標記，則Moses Koledoye's answer將起作用。
但是，如果標籤多行攤開，將需要以下：

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' 

注意，這甚至會工作，如果如你所提供的示例串標籤是在不同的行，所以這是更多一般解決方案。