为什么这个正则表达式只找到最后一个可用的匹配项？

Question

1. 我知道，一般来说，您不应该在 HTML 中使用 Regex。我将它用作一次性工具，以快速从具有恒定模式的文件中删除一些数据，并且永远不会再次使用它。我想使用正则表达式来完成这项任务。 我了解您不应该使用 Regex 解析 HTML。
2. 不，我不想使用 XMl Parser、BeautifulSoup、lxml 等。谢谢。 :)
3. 我只想一次性使用它，然后永远用完。

话虽如此，我写的正则表达式只匹配文件中的最后一个“匹配”。我不确定为什么。该文件具有相当恒定的模式：

<p someAttribute="yes"><b someOtherAttribute="no">My Title - </b> My Description</p>
<p someAttribute="yes"><b someOtherAttribute="no">My 2nd Title - </b> My 2nd Description</p>
<p someAttribute="yes"><b someOtherAttribute="no">My 3rd Title - </b> My 3rd Description</p>
<p class="normal" style="margin-left:1"><b style="font-weight:400">Another one </b>The cake is a lie</p>

我不关心属性。我正在尝试对 <b> 标签中的内容和后面的内容进行分组。标题和说明。

def parseData(html):
    pattern = re.compile('.*<p.*><b.*>(.+)</b>(.+)</p>.*')

    matches = re.findall(pattern, str(html))

    for match in matches:
        print(match)

def main():
    htmlFile = "myFile.htm"

    browser = UrlBrowser()

    parseData(browser.getHTML(htmlFile))

此模式仅匹配最后一个可用的“匹配” - 我之前尝试添加 .* 以查看是否会出现问题，但这并没有什么不同。我在正则表达式中遗漏了什么？

Answer 1

应该这样做。看到这个working demo

matches = re.findall(r'<b[^>]+>(.*?)</b>(.*?)</p>', str)

正则表达式：

<b            match start of tag '<b'
 [^>]+        any character except: '>' (1 or more times)
 >            match enclosed '>'
 (            group and capture to \1:
  .*?         any character except \n (0 or more times)
 )            end of \1
 </b>         match '</b>'
 (            group and capture to \2:
  .*?         any character except \n (0 or more times)
 )            end of \2
 </p>         match '</p>'

您正在使用.*，这是贪婪的（匹配尽可能多的数量）。您想在末尾添加 ? 使其成为非贪婪（匹配尽可能少的数量）

从讨论以下量词?、+?、?? 的re 文档中获取解释

*、'+' 和 '?'限定符都是贪婪的；他们尽可能匹配 尽可能的文字。有时这种行为是不需要的；如果有 <.>> 匹配 '

title

'，它将匹配整个 字符串，而不仅仅是 '

'。添加“？”在预选赛成功之后 以非贪婪或最小的方式进行匹配；尽可能少的字符 尽可能匹配。使用。？在前面的表达式中 仅匹配“

”。

Answer 2

导致最后一场比赛的是你的领先 .*。 * 和 + 限定符将尽可能多地匹配前面的项目，同时仍然产生匹配

使用“非贪婪”*？代替每个 * 和 +?代替每个 + 以获得产生匹配的最短可能序列。

见：http://docs.python.org/3.3/library/re.html#regular-expression-syntax

Answer 3

还有一些事情正在发生。

import re

data = """\
<p someAttribute="yes"><b someOtherAttribute="no">My Title - </b> My Description</p>
<p someAttribute="yes"><b someOtherAttribute="no">My 2nd Title - </b> My 2nd Description</p>
<p someAttribute="yes"><b someOtherAttribute="no">My 3rd Title - </b> My 3rd Description</p>
<p class="normal" style="margin-left:1"><b style="font-weight:400">Another one </b>The cake is a lie</p>"""

print(*re.findall('.*<p.*><b.*>(.+)</b>(.+)</p>.*', data), sep="\n")
#>>> ('My Title - ', ' My Description')
#>>> ('My 2nd Title - ', ' My 2nd Description')
#>>> ('My 3rd Title - ', ' My 3rd Description')
#>>> ('Another one ', 'The cake is a lie')

请注意，开头和结尾不需要.*：

print(*re.findall('<p.*><b.*>(.+)</b>(.+)</p>', data), sep="\n")
#>>> ('My Title - ', ' My Description')
#>>> ('My 2nd Title - ', ' My 2nd Description')
#>>> ('My 3rd Title - ', ' My 3rd Description')
#>>> ('Another one ', 'The cake is a lie')

'因为 Regex 已经在整个字符串中搜索匹配项。

您可能还希望更喜欢非贪婪的重复，但我认为这不是问题：

print(*re.findall('<p.*?><b.*?>(.+?)</b>(.+?)</p>', data), sep="\n")
#>>> ('My Title - ', ' My Description')
#>>> ('My 2nd Title - ', ' My 2nd Description')
#>>> ('My 3rd Title - ', ' My 3rd Description')
#>>> ('Another one ', 'The cake is a lie')