Python 正则表达式（贪婪和非贪婪模式）- 匹配颜值美女图片URL

Devops海洋的渔夫

发布于 2019-05-31 10:50:41

1.7K0

发布于 2019-05-31 10:50:41

文章被收录于专栏：Devops专栏Devops专栏

python贪婪和非贪婪

Python里数量词默认是贪婪的（在少数语言里也可能是默认非贪婪），总是尝试匹配尽可能多的字符；

非贪婪则相反，总是尝试匹配尽可能少的字符。

在"*","?","+","{m,n}"后面加上？，使贪婪变成非贪婪。

# 尝试匹配一串数字，至匹配到了一个
In [110]: re.match(r"\d","123456768").group()                                        
Out[110]: '1'

# 增加了 + 号之后，就可以匹配多个了，此时可以算是贪婪模式
In [111]: re.match(r"\d+","123456768").group()                                       
Out[111]: '123456768'

# 那么想要变回非贪婪的话，只要增加一个？号即可
In [112]: re.match(r"\d+?","123456768").group()                                      
Out[112]: '1'

In [113]:   

In [113]: re.match(r"\d*","123456768").group()                                       
Out[113]: '123456768'

In [114]: re.match(r"\d*?","123456768").group()                                      
Out[114]: ''

In [115]:   

In [119]: re.match(r"\d{1,2}","123456768").group()                                   
Out[119]: '12'

In [120]: re.match(r"\d{1,2}?","123456768").group()                                  
Out[120]: '1'

In [121]:

那么这个非贪婪模式到底有什么实际意义的用法吗？

下面实际应用一下。

斗鱼颜值直播间图片爬取示例

好啦，从页面的元素中，我们找到了一个美女直播的图片元素，这元素里面有两个url地址可以下载图片。

<img alt="小甜幂iu的直播" data-original="https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg" src="https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg" width="283" height="163" class="JS_listthumb" style="display: block; filter: none;">

匹配如下：

# 首先将内容写入字符串html中
In [121]: html=""" 
     ...: <img alt="小甜幂iu的直播" data-original="https://rpic.douyucdn.cn/live-cover
     ...: /appCovers/2018/12/06/5582112_20181206194002_small.jpg" src="https://rpic.do
     ...: uyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg" 
     ...: width="283" height="163" class="JS_listthumb" style="display: block; filter:
     ...:  none;"> 
     ...: """                                                                         

# 使用findall方法，匹配找出http开头的内容
In [122]: re.findall(r"http.*",html)                                                  
Out[122]: ['https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg" src="https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg" width="283" height="163" class="JS_listthumb" style="display: block; filter: none;">']

# 增加匹配jpg结尾的内容，发现还是 .* 的部分匹配了太多内容了，例如把 src= 这类字符串也匹配了进来。
In [128]: re.findall(r"http.*jpg",html)                                                                                       
Out[128]: ['https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg" src="https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg']

# 此时就要设置未非贪婪，增加？
In [131]: re.findall(r"http.*?jpg",html)                                                                                      
Out[131]: 
['https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg',
 'https://rpic.douyucdn.cn/live-cover/appCovers/2018/12/06/5582112_20181206194002_small.jpg']

In [132]:   
# 好了，因为 .* 从原来的贪婪变为非贪婪，那么就只匹配了 http 到 jpg 的这串内容。
# 所以，出来的结果就是图片的url地址了。

本文参与腾讯云自媒体分享计划，分享自作者个人站点/博客。

原始发表：2018.12.23 ，如有侵权请联系 cloudcommunity@tencent.com 删除

https