如何将多个正则表达式合并成一行？

Question

我的脚本这样运行得很好：

images = re.findall("src.\"(\S*?media.tumblr\S*?tumblr_\S*?jpg)", doc)
videos = re.findall("\S*?(http\S*?video_file\S*?tumblr_[a-zA-Z0-9]*)", doc)

不过，我觉得这样在整个文档中搜索两次效率不高。

如果有帮助的话，这里有一个示例文档：http://pastebin.com/5kRZXjij

我希望从上面的内容得到以下输出：

images = http://37.media.tumblr.com/tumblr_lnmh4tD3sM1qi02clo1_500.jpg
videos = http://bassrx.tumblr.com/video_file/86319903607/tumblr_lo8i76CWSP1qi02cl

其实这样做会更好：

image_and_video_links = re.findall(" <match-image-links-or-video links> ", doc)

我该如何把两个 re.findall 的行合并成一行呢？

我试过用 | 这个符号，但总是匹配不到任何东西。所以我肯定对如何正确使用它感到很困惑。

Answer 1

如果你真的想要高效...

首先，我建议去掉第二个正则表达式中的 \S*?。这个部分没有什么用处，只会让程序在匹配时反复回溯，浪费时间。

src.\"(\S*?media.tumblr\S*?tumblr_\S*?jpg)|(http\S*?video_file\S*?tumblr_[a-zA-Z0-9]*)

其他建议

你可以通过在第一个正则表达式中使用一个小的向后查找，来去掉捕获组，这样就能省去所有的括号，直接匹配你想要的内容。虽然速度没有变快，但看起来更整洁：

(?<=src.\")\S*?media.tumblr\S*?tumblr_\S*?jpg|http\S*?video_file\S*?tumblr_[a-zA-Z0-9]*

你是想让 src 和 media 后面的句号表示“任何字符”，还是表示“一个字面上的句号”？如果是后者，就要用反斜杠转义它们： \.

你可以使用 re.IGNORECASE 选项，这样就可以省去一些字母：

(?<=src.\")\S*?media.tumblr\S*?tumblr_\S*?jpg|http\S*?video_file\S*?tumblr_[a-z0-9]*

Answer 2

正如评论中提到的，a pipe (|)可以解决这个问题。

这个正则表达式

(src.\"(\S*?media.tumblr\S*?tumblr_\S*?jpg))|(\S*?(http\S*?video_file\S*?tumblr_[a-zA-Z0-9]*))

可以匹配这两种模式中的任意一种。

你可以在这个链接上查看示例：正则表达式测试器