在使用贪婪字符时，re可以找到最小匹配吗？

Question

免责声明：我不是正则表达式的专家。

我正在使用Python的re模块对很多html文件进行正则匹配。其中一个匹配模式大概是这样的：

<bla><blabla>87765.*</blabla><bla>

我遇到的问题是，它并没有找到所有（比如说）五个匹配的地方，而只找到一个。因为它把所有的匹配结果合并成了一个，使用了第一个匹配中的<bla><blabla>87765部分和最后一个匹配中的</blabla><bla>部分。

有没有办法让re找到最小的匹配呢？

Answer 1

I believe the regex
<bla><blabla>87765.*?</blabla><bla>
can produce catastrophic backtracking.

Instead, use:
<bla><blabla>87765[^<]*</blabla><bla>

Using atomic grouping (I'm not sure Python supports this), 
the above regex becomes 
<bla><blabla>(?>(.*?<))/blabla><bla>

在正则表达式中，括号内的内容（像 (?> ... ) 这样的）会被当作一个整体来处理。一旦正则引擎离开这个括号里的内容，它就把这个整体当成一个单独的“标记”。因为这个整体是一个标记，所以一旦找到了匹配的内容，就不能再回头去检查之前的部分了。如果需要回头检查，正则引擎只能回到这个整体之前的标记（在我们的例子中就是那个“^”符号）。如果在这个整体前面没有其他标记，正则就必须从字符串的下一个位置重新开始匹配。值得注意的是，我需要在这个整体里加上“<”符号，以确保它的原子性。差不多就是这样。

Answer 2

Python的re模块支持非贪婪匹配。你只需要在通配符模式的末尾加一个?，比如.*?。想了解更多，可以查看这个教程。

Answer 3

你可以在你的模式中使用一种叫做“懒惰限定符”的东西（想了解更多，可以参考Python文档，里面有关于*?、+?和??的详细说明）：

<bla><blabla>87765.*?</blabla><bla>

或者，你可以把<从可能匹配的字符中排除掉：

<bla><blabla>87765[^<]*</blabla><bla>

只有在<blabla>和</blabla>之间没有子标签的情况下。