Question

我試圖解析某個文檔中的HTML img標籤，特別是我想要查找圖像的所有src,alt和title屬性。屬性總是以相同的順序，但是title和alt是可選的，它們可能不存在。

我試過在我的正則表達式中使組(?:title="(.*?)")?可選，但它不起作用。任何幫助，將不勝感激。

example = '<img class="alignnone wp-image-4170 size-full" title="example_title" src="http://www.example.com/wp-content/uploads/2016/07/example.jpg" alt="example_alt" width="300" height="430" />' 
re.search(r'(?:title="(.*?)")?.*?src="(.*?)".*?(?:alt="(.*?)")?', example).groups() 
>>> (None, 'http://www.example.com/wp-content/uploads/2016/07/example.jpg', None) 

預期的結果將是：

('example_title', 'http://www.example.com/wp-content/uploads/2016/07/example.jpg', 'example_alt') 

Answer 1

可以拿到冠軍通過移動第一.*?你的第一個非捕獲組內的匹配：

>>> re.search(r'(?:title="(.*?)".*?)?src="(.*?)".*?(?:alt="(.*?)")?', example).groups() 
('example_title', 
'http://www.example.com/wp-content/uploads/2016/07/example.jpg', 
None) 

這個問題你正則表達式是它包含。*在一個可選組之後。這意味着，在字符串的開頭，正則表達式被「允許」與可選組不匹配（因爲它是可選的），而是繼續匹配它後面的內容。因爲它後面是.*?，它會匹配任何東西，這總是成功的，它不需要匹配你的標題組。它只是使用.*?來匹配從字符串開頭到「src」的所有內容，然後匹配「src」。在非捕獲組內部移動.*?將強制它不匹配「任何東西」，除非它首先匹配標題;那麼它只會匹配「src」，如果它沒有找到標題第一的話，那麼它就會一直提升其搜索位置。

正如在評論中提到的那樣，以這種方式解析HTML並不是一個好主意。你的問題其實就是爲什麼。當你寫下(?:title="(.*?)")?.*?時，你可能會想到的是「可選標題後跟任何東西」，但問題是「任何東西」也可以包含標題，所以它的實際含義是「字符串和任何東西，或任何東西（包括我們將忽略的標題）「。當您嘗試將諸如title=這樣的特定匹配與像.*這樣的通用匹配結合使用時，您試圖捕獲的內容可能會被.*弄糊塗，而不是被更具體的組捕獲。另外，你的代碼假設title，src和alt總是按照這個順序出現，但是它們可能以任何順序出現，在這種情況下，你的regex將無法正確捕獲它們。