Python re.sub 使用非贪婪模式 (.*?) 和字符串结尾 ($) 变成贪婪模式！

Question

代码：

str = '<br><br />A<br />B'
print(re.sub(r'<br.*?>\w$', '', str))

本来应该返回 <br><br />A，但是却返回了一个空字符串 ''！

有什么建议吗？

Answer 1

这里说的“非贪婪”匹配不会像你想的那样在后面开始。它会先找到第一个 <br，然后再非贪婪地匹配后面的内容，但实际上这些内容需要匹配到字符串的末尾，因为你指定了 $。

如果你想让它按你想的那样工作，可以使用

/<br[^<]*?>\w$/

不过，通常不建议用正则表达式来解析HTML，因为某些属性的值里面可能会有 < 或 >。

Answer 2

贪婪匹配是从左到右进行的，反过来就不行。简单来说，就是“除非匹配失败，否则就不匹配”。下面是具体的过程：

1. 正则表达式引擎在字符串的开头匹配到 <br。
2. .*? 现在被忽略，因为它是懒惰的匹配。
3. 尝试匹配 >，成功了。
4. 接着尝试匹配 \w，但失败了。这个时候就有意思了——引擎开始回溯，看到 .*? 这个规则。在这种情况下，. 可以匹配第一个 >，所以还有希望能匹配上。
5. 这种情况一直持续，直到正则表达式到达斜杠。然后 >\w 可以匹配，但 $ 失败了。再次，引擎回到懒惰的 .* 规则，继续匹配，直到匹配到 <br><br />A<br />B。

幸运的是，有个简单的解决办法：通过替换 <br[^>]*>\w$，你就不允许在标签外进行匹配，这样就能替换最后一个出现的匹配。
严格来说，这对HTML来说效果不好，因为标签属性中可能包含 > 字符，但我想这只是个例子。