正则表达式中的贪婪非贪婪

近几天在做几个爬虫，分析网页url的时候，抓取总是出现问题。后来了解到是贪婪和非贪婪模式的问题。

记录一下本是想在一个html中抓取大量这种模式的href连接

<a href="http://www.xxxx.info/post/90934717083">xxxxx</a></br>

写的正则表达式为

reg = r'<a href="(.+)">'

经过Regulator分析后，下面语句也匹配了出来

href="http://www.xxx.info/page/2">/page/2</a>" <span class="webkit-html-attribute-name">id</span>="<span class="webkit-html-attribute-value">pageNavOlder</span>"></span>下一页☞<span class="webkit-html-tag"></a></span><span class="webkit-html-tag">

　　经过分析后知道，仅仅需要抓去匹配项中最短的，这就用到非贪婪模式了。

　　默认情况下，正则表达式匹配的都是贪婪模式，都是最长匹配，举个最简单的例子

　　比如text="abbbbbbbbc", reg = r'(a.+)' 这样抓取的话，匹配出来的是全部字符串，如果这样reg=r'(a.+?)'的话，匹配出来的仅仅是ab，最后的问好就是说明非贪婪模式

　　当字符？在其他限定符如（*,+,{n},{n,m>)之后的时候，就说明使用非贪婪模式匹配　　

　　所以我最开始的正则表达式写成

　　reg = r'<a href="(.+?)">'时，就匹配出来了我想得到的 

　http://www.xxxx.info/post/90934717083

 

 

　　

 

转载于:https://www.cnblogs.com/hi-net/p/3906928.html