首页 > 代码库 > 正则表达式中的贪婪非贪婪

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="http://www.mamicode.com/(.+)">‘

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="http://www.mamicode.com/(.+?)">‘时,就匹配出来了我想得到的 

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