Python regex:（.+）和（.+？）之间的区别

Question

我是regex和Python的urllib新手。我浏览了一个关于web报废的在线教程，它有以下代码。在研究了正则表达式之后，在我看来，我可以使用（.+）而不是（.+？）但我错了。我最终打印的html代码比我想要的多。我以为我已经掌握了正则表达式的窍门，但现在我很困惑。请向我解释一下这两个表达式之间的区别，以及为什么它会捕获这么多html。谢谢！

这是星巴克的股票报价刮刀。

import urllib
import re

url = urllib.urlopen("http://finance.yahoo.com/q?s=SBUX")
htmltext = url.read()
regex = re.compile('<span id="yfs_l84_sbux">(.+?)</span>')
found = re.findall(regex, htmltext)

找到打印

Answer 1

.+是贪婪的——它匹配到无法匹配为止，并且只根据需要返回。

.+?不是——它一有机会就停下来。

示例：

假设您有这个HTML：

<span id="yfs_l84_sbux">foo bar</span><span id="yfs_l84_sbux2">foo bar</span>

这个正则表达式与整个匹配：

<span id="yfs_l84_sbux">(.+)<\/span>

它一直到最后，然后“返回”一个</span>，但是其余的regex与最后一个</span>匹配，所以完整的regex与整个HTML块匹配。

但是这个正则表达式在第一个</span>处停止：

<span id="yfs_l84_sbux">(.+?)<\/span>

Answer 2

(.+)是贪婪的。它会尽其所能，并在需要时给予回报。

(.+?)是不清晰的。它需要尽可能少的。

见：

delegate

[delegate] /^(.+)e/
[de]legate /^(.+?)e/

此外，比较“Regex调试器日志”here和here将显示ungreedy修饰符更有效的作用。

Answer 3

?是一个非贪婪修饰符。*默认情况下是一个贪婪的重复运算符-它将吞噬它所能吞噬的一切；当被?修改时，它将变为非贪婪的，并且只会吃掉满足它的所有东西。

因此

<span id="yfs_l84_sbux">want</span>text<span id="somethingelse">dontwant</span>

.*?</span>将吃光want，然后点击</span>-这满足了regexp的最小重复.，导致<span id="yfs_l84_sbux">want</span>匹配。然而，.*将尝试看看它是否能吃得更多-它将去寻找另一个</span>，与.*?匹配的want</span>text<span id="somethingelse">dontwant，结果你得到的-远远超过你想要的。