• 2.7 最短匹配模式
    • 问题
    • 解决方案
    • 讨论

    2.7 最短匹配模式

    问题

    你正在试着用正则表达式匹配某个文本模式,但是它找到的是模式的最长可能匹配。而你想修改它变成查找最短的可能匹配。

    解决方案

    这个问题一般出现在需要匹配一对分隔符之间的文本的时候(比如引号包含的字符串)。为了说明清楚,考虑如下的例子:

    1. >>> str_pat = re.compile(r'"(.*)"')
    2. >>> text1 = 'Computer says "no."'
    3. >>> str_pat.findall(text1)
    4. ['no.']
    5. >>> text2 = 'Computer says "no." Phone says "yes."'
    6. >>> str_pat.findall(text2)
    7. ['no." Phone says "yes.']
    8. >>>

    在这个例子中,模式 r'\"(.)\"' 的意图是匹配被双引号包含的文本。但是在正则表达式中操作符是贪婪的,因此匹配操作会查找最长的可能匹配。于是在第二个例子中搜索 text2 的时候返回结果并不是我们想要的。

    为了修正这个问题,可以在模式中的*操作符后面加上?修饰符,就像这样:

    1. >>> str_pat = re.compile(r'"(.*?)"')
    2. >>> str_pat.findall(text2)
    3. ['no.', 'yes.']
    4. >>>

    这样就使得匹配变成非贪婪模式,从而得到最短的匹配,也就是我们想要的结果。

    讨论

    这一节展示了在写包含点(.)字符的正则表达式的时候遇到的一些常见问题。在一个模式字符串中,点(.)匹配除了换行外的任何字符。然而,如果你将点(.)号放在开始与结束符(比如引号)之间的时候,那么匹配操作会查找符合模式的最长可能匹配。这样通常会导致很多中间的被开始与结束符包含的文本被忽略掉,并最终被包含在匹配结果字符串中返回。通过在 * 或者 + 这样的操作符后面添加一个 ? 可以强制匹配算法改成寻找最短的可能匹配。

    原文:

    http://python3-cookbook.readthedocs.io/zh_CN/latest/c02/p07_specify_regexp_for_shortest_match.html