Java Regex问题-抓取YouTube

我在抓取YouTube播放列表页面时遇到一些正则表达式代码问题。它基本上工作正常，但它得到了一些奇怪的结果

表达方式：

(?<=v=)[a-zA-Z0-9-_]+(?=&)|(?<=[0-9]/)[^&\n]+|(?<=v=)[^&\n]+

从这样的链接

https://www.youtube.com/watch?v=_ClmClS_Mqs&list=PL6422619E56951B73&index=5&feature=plpp_video

在大多数情况下，这似乎工作正常，但它也在收集这些实例

data-thumb="//i1.ytimg.com/vi/84GVRtJ1CvY/<FROM RIGHT ONWARDS IS WHAT IT MATCHES>default.jpg" ><span class="vertical-align"></span></span></span></span>

data-thumb="//i4.ytimg.com/vi/WNIPqafd4As/<FROM RIGHT ONWARDS IS WHAT IT MATCHES>default.jpg" alt="" class="thumb"></span></span></span><span class="clip"><span class="centering-offset"><span class="centering"><span class="ie7-vertical-align-hack">

data thumb=“//i1.ytimg.com/vi/84GVRtJ1CvY/default.jpg”>
data thumb=“//i4.ytimg.com/vi/WNIPqafd4As/default.jpg”alt=”“class=“thumb”>

---

正则表达式相当令人畏惧。有人知道表达式有什么问题吗？

作为建议，您要匹配的字符串总是11个字符长。与其尝试使用

+

量词匹配“尽可能多的字符”，不如使用

{11}

量词匹配“恰好11个字符”

这可能会解决您所看到的过度匹配问题的症状，尽管我不知道为什么它会首先匹配这些字符串。（它们不是以

v=

开头）

您可能应该通过插入以下括号来澄清您的备选方案：

((?<=v=)[a-zA-Z0-9-_]+(?=&))|((?<=[0-9]/)[^&\n]+)|((?<=v=)[^&\n]+)

然后，您可以请求GET属性

v

。不需要正则表达式

---

这是特定于python的，但是Java将有等价物。关键是，regex并不总是最好的工具（只是最通用的工具）。

建议您要匹配的字符串长度始终为11个字符。与其尝试使用

+

量词匹配“尽可能多的字符”，不如使用

{11}

量词匹配“恰好11个字符”

这可能会解决您所看到的过度匹配问题的症状，尽管我不知道为什么它会首先匹配这些字符串。（它们不是以

v=

开头）

您可能应该通过插入以下括号来澄清您的备选方案：

((?<=v=)[a-zA-Z0-9-_]+(?=&))|((?<=[0-9]/)[^&\n]+)|((?<=v=)[^&\n]+)

然后，您可以请求GET属性

v

。不需要正则表达式

---

这是特定于python的，但是Java将有等价物。关键是，regex并不总是最好的工具（只是最通用的工具。）

您是否考虑过使用一些HTML解析器来构建元素树，然后只将正则表达式应用于该树中的链接？这是一个关于用正则表达式解析HTML而不是专用解析器的幽默观点。@Adam:我们不想解析任意HTML，只想解析URL。Cthulu/Tony the Pony不会因为试图用regex做这件事而消耗你的灵魂。（不过，仍然建议使用适当的HTML和URL解析库。）您是否考虑过使用一些HTML解析器来构建元素树，然后只将正则表达式应用于在该树中找到的链接？这是一个关于用正则表达式解析HTML而不是专用解析器的幽默观点。@Adam:我们不想解析任意HTML，只想解析URL。Cthulu/Tony the Pony不会因为试图用regex做这件事而消耗你的灵魂。（不过仍然建议使用适当的HTML和URL解析库。）+1是一个很好的答案，如果可以的话，我会添加另一个+1，因为“regex并不总是最好的工具（只是最通用的工具）”谢谢您的帮助。我计划在将来做更多的工作，但我几乎已经完成了整个项目，所以我将暂时留在regex。你的建议基本上解决了这个问题，但我认为现在问题正在好转。你知道为什么吗？有趣的答案是“你的正则表达式不够具体”。）更严重的是，你的正则表达式实际上是三个正则表达式合一——你能试着把它们分开，看看三个子正则表达式中哪一个产生了错误的匹配吗？（通过分治进行调试。）+1是一个很好的答案，如果可以的话，我会再加一个+1，因为“regex并不总是最好的工具（只是最通用的工具）”谢谢你的帮助。我计划在将来做更多的工作，但我几乎已经完成了整个项目，所以我将暂时留在regex。你的建议基本上解决了这个问题，但我认为现在问题正在好转。你知道为什么吗？有趣的答案是“你的正则表达式不够具体”。）更严重的是，你的正则表达式实际上是三个正则表达式合一——你能试着把它们分开，看看三个子正则表达式中哪一个产生了错误的匹配吗？（通过分治进行调试。）

{
'v' : '_ClmClS_Mqs',
'list' : 'PL6422619E56951B73',
'index' : '5'
'feature' : 'plpp_video',
}