Python 了解用于在html中查找字符串之间的字符串的正则表达式模式

我有以下html文件：

<!-- <div class="_5ay5"><table class="uiGrid _51mz" cellspacing="0" cellpadding="0"><tbody><tr class="_51mx"><td class="_51m-"><div class="_u3y"><div class="_5asl"><a class="_47hq _5asm" href="/Dev/videos/1610110089242029/" aria-label="Who said it?" ajaxify="/Dev/videos/1610110089242029/" rel="theater">

---

我试着用谷歌搜索一下

（.*）

在这个特定的实现中是如何工作的，但我仍然不清楚。有人能给我解释一下吗？这就是所谓的“非贪婪”匹配吗？如果是，这意味着什么

该

表示任何字符。

*

表示任意次数，包括零次。

？

确实意味着不贪婪；这意味着它将尝试捕获尽可能少的字符，也就是说，如果正则表达式遇到一个

/

，它可以将它与

匹配，但它更愿意这样做，因为

是非贪婪的，并且由于正则表达式中的下一个字符很乐意匹配

/

，所以

不必匹配。如果您没有

？

，那么

会吃掉文件的整个剩余部分，因为它会在一个位置上咬来咬去，以匹配尽可能多的内容，而且因为它匹配所有内容，所以它将永远持续下去

可以用一种简单的方式来解释：

• ：匹配任何字符

• *

  ：任意次数（至少零次）

• ？

  ：尽可能少的次数（因此不贪婪）

videos/（.*）”

作为正则表达式匹配（例如）

videos/1610110089242029/”

第一个捕获组返回

1610110089242029

，因为任何数字都是“任意字符”的一部分，并且其中至少有零个字符

？

导致如下情况：

videos/1610110089242029/“其他东西…”videos/2387423470237509/“

---

为了正确匹配as

1610110089242029

和

2387423470237509

而不是as

1610110089242029/“其他东西…”视频/2387423470237509

，因此“尽可能少的次数”，因此“非贪婪”。本文中的

？

是重复操作符上的特殊操作符（

+

、

*

和

？

）在可用的引擎中，这会导致重复是懒惰的、非贪婪的、不情愿的或其他类似的术语。通常重复是贪婪的，这意味着它应该尽可能匹配。因此，在大多数与perl兼容的现代引擎中，有三种类型的重复：

.*  # Match any character zero or more times
.*? # Match any character zero or more times until the next match (reluctant)
.*+ # Match any character zero or more times and don't stop matching! (possessive)

更多信息可以在这里找到：对于不情愿/懒惰和这里：对于所有格（在这个答案中我将跳过讨论）

假设我们有字符串

aaaa

。我们可以将所有的a与

/（a+）a/

匹配。实际上这是

匹配一个或多个

a

，后跟

a

这将匹配

aaaa

。正则表达式是贪婪的，将匹配尽可能多的

a

。第一个子匹配是

aaa

如果我们使用regex

/（a+？）a

，这是

不情愿地匹配一个或多个

a

s，后跟

a

或
匹配一个或多个

a

s，直到到达另一个

a

也就是说，只匹配我们需要的。因此在这种情况下，匹配是

aa

，第一个子匹配是

a

。我们只需要匹配一个

a

，以满足重复，然后它后面是一个

a

当使用正则表达式在html标记、引号等类似的内容中进行匹配时，会出现很多问题——通常保留用于快速和肮脏的操作。也就是说，使用正则表达式从非常大和复杂的html字符串或带有转义序列的引号字符串中提取可能会导致很多问题，但对于特定的用例来说，这是非常好的我们有：

/Dev/videos/1610110089242029/

表达式需要匹配

videos/

，后跟零个或多个字符，后跟

/“

。如果只有一个视频URL，则无需勉强即可

然而，我们有

/videos/1610110089242029/" ... ajaxify="/Dev/videos/1610110089242029/"

如果不勉强，正则表达式将匹配：

1610110089242029/" ... ajaxify="/Dev/videos/1610110089242029

---

它尝试尽可能多地匹配

/

和

“

满足

很好。由于不情愿，匹配会在第一次

/“

时停止（实际上它会回溯，但你可以单独阅读）。因此，你只会得到你需要的url的一部分。

匹配任何东西（

），任何次数（

*

），尽可能少的次数（

？

）（非贪婪）。此外，您还将您的问题标记为“非贪婪”。您可以查看它。已经有一些关于它的信息。非常棒的回答，谢谢！如果我的目标是从html中获取不止一个数字字符串（也就是说，在多个/Dev/videos/…/）之间有多个数字）我应该看看其他地方而不是regex方法吗？

1610110089242029/" ... ajaxify="/Dev/videos/1610110089242029