了解用于查找htm中字符串之间字符串的正则表达式模式

Question

我有以下html文件：

<!-- <div class="_5ay5"><table class="uiGrid _51mz" cellspacing="0" cellpadding="0"><tbody><tr class="_51mx"><td class="_51m-"><div class="_u3y"><div class="_5asl"><a class="_47hq _5asm" href="/Dev/videos/1610110089242029/" aria-label="Who said it?" ajaxify="/Dev/videos/1610110089242029/" rel="theater">

为了提取videos/和/"之间的数字字符串，我使用了我发现的以下方法：

^{pr2}$

我曾尝试在google上搜索一个解释(.*?)在这个特定实现中是如何工作的，但是我仍然不清楚。有人能给我解释一下吗？这就是所谓的“非贪婪”匹配吗？如果是，那是什么意思？在

Answer 1

.表示任何字符。*表示任何次数，包括零。?确实意味着非贪婪；这意味着它将尝试捕捉尽可能少的字符，也就是说，如果正则表达式遇到/，它可以将其与.匹配，但它不愿意这样做，因为.是非贪婪的，并且由于regex中的下一个字符很乐意匹配/，.不需要。如果没有?，那么{}会吃掉整个文件的其余部分，因为它会在位上拼命地匹配尽可能多的内容，而且由于它匹配所有的内容，所以它将一直持续下去。在

Answer 2

可以用一种简单的方式来解释：

• .：匹配任何内容（任何字符）
• *：任意次数（至少零次）
• ?：尽可能少的次数（因此非贪婪）。在

videos/(.*?)/"

作为正则表达式匹配（例如）

^{pr2}$

第一个捕获组返回1610110089242029，因为任何数字都是“any character”的一部分，并且其中至少有零个字符。在

?导致如下情况：

videos/1610110089242029/" something else … "videos/2387423470237509/"

正确匹配为1610110089242029和{}，而不是1610110089242029/" something else … "videos/2387423470237509，因此“尽可能少地匹配”，因此“非贪婪”。在

Answer 3

本文中的?是重复运算符（+，*，和{}）上的一个特殊运算符。在可用的引擎中，这会导致重复出现懒惰或非贪婪或不情愿或其他类似术语。典型的重复是贪婪的，这意味着它应该尽可能匹配。因此，在大多数现代perl兼容引擎中有三种类型的重复：

.*  # Match any character zero or more times
.*? # Match any character zero or more times until the next match (reluctant)
.*+ # Match any character zero or more times and don't stop matching! (possessive)

更多信息可以在这里找到：http://www.regular-expressions.info/repeat.html#lazy表示不情愿/懒惰，这里：http://www.regular-expressions.info/possessive.html表示所有格（在这个答案中我将跳过讨论）。在

假设我们有字符串aaaa。我们可以用/(a+)a/匹配所有的a。实际上这是

match one or more a's followed by an a.

这将匹配aaaa。regex是贪婪的，它将匹配尽可能多的a。第一个子匹配是aaa。在

如果我们使用regex /(a+?)a这是

reluctantly match one or more as followed by an a
or
match one or more as until we reach another a

我们只需要匹配。所以在本例中，匹配是aa，第一个子匹配是a。我们只需要匹配一个a来满足重复，然后它后面跟着一个a。在

当使用regex在html标记、引号等通常为快速和脏操作保留的类似方法中进行匹配时，会出现很多问题。也就是说，使用regex从非常大和复杂的html字符串或带转义序列的引号字符串中提取可能会导致很多问题，但对于特定的用例来说，这是非常合适的。因此，在您的案例中，我们有：

^{pr2}$

表达式需要匹配videos/，后跟零个或多个字符，后跟/"。如果只有一个视频网址在那里，这是很好的，而不是不情愿。在

但是我们有

/videos/1610110089242029/" ... ajaxify="/Dev/videos/1610110089242029/"

毫无疑问，正则表达式将匹配：

^{4}$

它尽可能多地匹配，/和{}满足.就可以了。由于不情愿，匹配会在第一个/"处停止（实际上它是回溯的，但您可以单独阅读）。因此，您只得到您需要的部分url。在