为什么这个Python正则表达式的负向预测不生效？

Question

我正在尝试使用BeautifulSoup收集一组网址，这些网址有一个非常具体的要求。我想收集的网址必须包含 /b-\d+（也就是 /b- 后面跟着一串数字）。不过，我想忽略所有包含 View%20All 的网址，即使它们里面也有 /b-\d+。

这里有一些网址的例子：

1. http://www.foo.com/bar/b-12312903?sName=View%20All
2. http://www.foo.com/bar/b-832173712873?sName=View%20All
3. http://www.foo.com/bar/b-1208313109283129
4. http://www.foo.com/bar/b-2198123371239489?adCell=W3

根据上面的例子，我想收集的有效网址是第3个和第4个。我尝试过使用不同的负向前瞻正则表达式，但都没有成功：

{"href" : re.compile(r"\/b-\d+.+(?!View\%20All)")}
{"href" : re.compile(r"^.+\/b-\d+.+(?!View\%20All$)")}

有人能告诉我我哪里出错了吗？

Answer 1

^.*?/b-\d+(?:(?!View%20All).)*$

演示链接

或者更快一些

^.+?/b-\d+(?:[^V]+|V(?!iew%20All))*$

Answer 2

{"href" : re.compile(r"\/b-\d+.+(?!View\%20All)")}
{"href" : re.compile(r"^.+\/b-\d+.+(?!View\%20All$)")}

你哪里搞错了呢？

当我们使用 (?!View\%20All) 时，它的意思是紧接着前面模式 .+ 后面不能跟 View\%20All。

实际上，这意味着这个前瞻检查总是成立。

为了说明这一点，我们来看看每个模式匹配到的内容。

http://www.foo.com/bar/b-12312903?sName=View%20All

/b- 是显而易见的。

\d 匹配 12312903。

现在问题来了，

.+ 匹配任何内容，这样就使得负向断言 (?!View\%20All) 成功。

也就是说，

. 匹配了 ?s，而剩下未匹配的字符串是 sName=View%20All，它在开头位置 s 不匹配 (?!View\%20All)，因此总是成功匹配第一行和第二行。

这里有个演示，可以让你更清楚地理解。

解决办法？

在使用前瞻断言时，修正检查开始的位置。

比如使用这样的正则表达式：

(\/b-\d+)(\?|$)(?!sName=View\%20All)

这将匹配到第3和第4个内容，因为

http://regex101.com/r/aS5yS2/1

在这里，字符串中的 ? 或 $ 确定了负向断言开始的位置。