python重问题

Question

我在一些Python身上测试，它们都是遇到的问题

如果我使用

a=re.findall(r"""<ul>[\s\S]*?<li><a href="(?P<link>[\s\S]*?)"[\s\S]*?<img src="(?P<img>[\s\S]*?)"[\s\S]*?<br/>[\s\S]*?</li>[\s\S]*?</li>[\s\S]*?</li>[\s\S]*?</ul>""",html)
print a

没事的

但如果我用

^{2}$

它会阻止服务器，并一直等待，就像服务器死了一样，我也测试了regexbuddy

第二个代码片段的区别只是代码片段的末尾

任何人都能解释为什么会这样

Answer 1

表达式[\s\S]*?可以匹配任何数量的任何内容。在匹配失败的情况下，这可能会导致大量的回溯。如果你对你能匹配的和不能匹配的更具体，那么它将允许匹配更快地失败。在

另外，我建议您使用HTML解析器而不是正则表达式。靓汤是一个很好用的图书馆。在

Answer 2

您的正则表达式正在遭受catastrophic backtracking的影响。如果它能找到一个匹配的，那就没问题了，但如果找不到，它就必须在放弃之前尝试无数种可能性。这些[\s\S]*?构造中的每一个最终都试图匹配到文档的末尾，它们之间的交互会产生大量无用的工作。在

Python不支持atomic groups，但是有一个小技巧可以用来模仿它们：

a=re.findall(r"""(?=(<ul>[\s\S]*?<li><a href="(?P<link>[\s\S]*?)"[\s\S]*?<img src="(?P<img>[\s\S]*?)"[\s\S]*?<br/>[\s\S]*?</li>[\s\S]*?</li>[\s\S]*?</li>[\s\S]*?</ul>))\1d""",html)
print a

如果lookahead成功，整个<UL>元素被捕捉到组1中，匹配位置重置为元素的开头，然后\1反向引用将消耗该元素。但是，如果下一个字符不是d，它会像regex一样，返回并重新处理所有这些[\s\S]*?结构。在

相反，regex引擎直接返回到<UL>元素的开头，然后向前撞一个位置（因此它在<和{}之间）并从开始处再次尝试lookahead。它一直这样做，直到找到与lookahead匹配的另一个匹配项，或者到达文档末尾。这样，它将失败（预期结果）大约与您的第一个正则表达式成功的时间相同。在

请注意，我并不是将此技巧作为解决方案，只是试图回答您的问题，即为什么regex似乎挂起。如果我提供了一个解决方案，我会说停止使用[\s\S]*?（或[\s\S]*，或{}，或{}）；你太依赖了。尽量具体化，例如，不要：

^{pr2}$

…使用：

<a href="(?P<link>[^"]*)"[^>]*><img src="(?P<img>[^"]*)"[^>]*>

但即使这样也有严重的问题。你应该认真考虑使用一个HTML解析器来完成这个任务。我也喜欢正则表达式，但你对它们要求太高了。在