python关于正则表达式贪婪匹配，最短匹配，精确匹配的原则

最近想抓一个网站的图片，写了一段程序，结果在爬取的时候，在某些位置就报爬取失败的错误。仔细查看了那些报错的数据对正则表达式的匹配有了更深的理解。

最短匹配遵循以下原则：

最先开始的匹配拥有最高的优先权——The match that begins earliest wins。即最短匹配是右侧最短，左侧不可知，很可能最长。

首先看下例子：

__author__ = 'Administrator'
import re
if __name__ == '__main__':
    reg = r'src="(.*?\.jpg)"pic_ext'
    #表示在整个网页中过滤出所有图片的地址，放在imglist中

    list='src="https://gsp0.baidu.com/5aAHeD3nKhI2p27j8IqW0jdnxx1xbK/tb/editor/images/client/image\
emoticon1.png" ><br><img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=6a5dbf\
90a84bd11304cdb73a6aada488/e92b6059252dd42a8afc5a48063b5bb5c8eab859.jpg"pic_ext'
    imgre = re.compile(reg)                              #转换成一个正则对象
    imglist = imgre.findall(list)
    print(len(imglist))
    print(imglist[0])

如路径中显示，在字符串中，有连续两个src=“，虽然我们使用了最短匹配，但是获取的仍然是：

https://gsp0.baidu.com/5aAHeD3nKhI2p27j8IqW0jdnxx1xbK/tb/editor/images/client/image\
emoticon1.png" ><br><img class="BDE_Image" src="https://imgsa.baidu.com/forum/w%3D580/sign=6a5dbf\
90a84bd11304cdb73a6aada488/e92b6059252dd42a8afc5a48063b5bb5c8eab859.jpg

显然这个不是我们想要的结果，需要再一次匹配

reg1 = r'src="(.*?\.jpg)'
imgre1 = re.compile(reg1)
imglist1 = imgre1.findall(imglist[0])
print(imglist1)

我们重新做了一次匹配，获取到了准确的地址

'https://imgsa.baidu.com/forum/w%3D580/sign=6a5dbf    90a84bd11304cdb73a6aada488/e92b6059252dd42a8afc5a48063b5bb5c8eab859.jpg'

其实对于这种多个嵌套重复的情况，需要通过循环获得最准确的匹配。

再次处理如下：

    reg1 = r'src="(.*?\.jpg)'
    imgre1 = re.compile(reg1)
    imglist1 = imgre1.findall(imglist[0])
    while imglist1:
        temp_result=imglist1
        imglist1 = imgre1.findall(imglist1[0])
    print(temp_result)

循环找到最后面的那个http://.*.jpg.

该方法只是匹配原则的一种解决方案，实际情况中要根据情况，或许有更好的，更优的正则结果。