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

Question

代码：

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

预计返回<br><br />A，但返回的是空字符串''！

有什么建议吗？

Answer 1

贪婪从左到右起作用，但不是。它的基本意思是“除非你不匹配，否则不匹配”。这是发生了什么：

1. 正则表达式引擎匹配字符串开头的<br。
2. .*? 暂时被忽略了，它很懒。
3. 尝试匹配>，成功了。
4. 尝试匹配\w 失败。现在很有趣 - 引擎开始回溯，并看到 .*? 规则。在这种情况下，. 可以匹配第一个 >，因此该匹配仍有希望。
5. 这种情况一直发生，直到正则表达式到达斜线。然后>\w 可以匹配，但$ 失败。再次，引擎回到惰性.* 规则，并继续匹配，直到匹配<br><br />A<br />B

幸运的是，有一个简单的解决方案：通过替换 <br[^>]*>\w$，您不会允许在标签之外进行匹配，因此它应该替换最后一个匹配项。
严格来说，这对于 HTML 并不适用，因为标签属性可以包含 > 字符，但我认为这只是一个示例。

Answer 2

以后不会这样开始不贪婪。它匹配第一个<br，并将非贪婪匹配其余部分，实际上需要转到字符串的末尾，因为您指定了$。

要使其按您想要的方式工作，请使用

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

但通常不建议使用正则表达式来解析 HTML，因为某些属性的值可以包含 < 或 >。