python正则中最短匹配实现代码

下面从一个例子入手：

利用正则表达式解析下面的XML/HTML标签：

<composer>Wolfgang Amadeus Mozart</composer>
<author>Samuel Beckett</author>
<city>London</city> 

希望自动格式化重写为：

composer: Wolfgang Amadeus Mozart
author: Samuel Beckett
city: London

一个代码是这样的形式：

#coding:utf-8
import re
s="""<composer>WolfgangAmadeus Mozart</composer>
   <author>SamuelBeckett</author>
   <city>London</city>"""
pattern1=re.compile("<\w+>")  #匹配<>中任意的字符
pattern2=re.compile(">.+</")  #匹配><中任意的字符
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表
#由于xml是规范的，所以是一一对应（对于错误输入，暂时不考虑）
for i in range(len(listNames)):
  #输出的时候利用切片丢弃多余的符号，如：<>/
  print(listNames[i][1:len(listNames[i])-1],":",
     listContents[i][1:len(listContents[i])-2]) 

这个代码运行后结果是可以的。

下面我们修改下s的格式：

#coding:utf-8
import re

s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"
pattern1=re.compile("<\w+>")  #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
pattern2=re.compile(">.+</")  #匹配><中任意的字符,问号必须加，"?"是非贪婪匹配
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表

#由于xml是规范的，所以是一一对应（对于错误输入，暂时不考虑）
for i in range(len(listNames)):
  #输出的时候利用切片丢弃多余的符号，如：<>/
  print(listNames[i][1:len(listNames[i])-1],":",
     listContents[i][1:len(listContents[i])-2])

得到的答案如下所示：

我们打印一下匹配到的两个结果看一下，修改代码如下：

#coding:utf-8
import re

s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"
pattern1=re.compile("<\w+>")  #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
pattern2=re.compile(">.+</")  #匹配><中任意的字符,问号必须加，"?"是非贪婪匹配
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表

print(listNames)
print(listContents)

#由于xml是规范的，所以是一一对应（对于错误输入，暂时不考虑）
for i in range(len(listNames)):
  #输出的时候利用切片丢弃多余的符号，如：<>/
  print(listNames[i][1:len(listNames[i])-1],":",
     listContents[i][1:len(listContents[i])-2])

显示结果如下：

从第一个箭头显示可以看出，这个处理是对的，那么看第二个箭头，这个匹配的结果显然是不对的了，那么是什么原因呢？
这是因为在正则中，‘*'、‘+'、‘？'这些是贪婪匹配，如用 a*，操作结果是尽可能多地匹配模式。所以当你试着匹配一对对称的定界符，如 HTML 标志中的尖括号。匹配单个 HTML 标志的模式不能正常工作，因为 .* 的本质是“贪婪”的 。在这种情况下，解决方案是使用不贪婪的限定符 *?、+?、?? 或 {m,n}?，尽可能匹配小的文本。

那么代码可以修改如下：

#coding:utf-8
import re

s="<composer>Wolfgang Amadeus Mozart</composer> <author>Samuel Beckett</author> <city>London</city>"
pattern1=re.compile("<\w+?>")  #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
pattern2=re.compile(">.+?</")  #匹配><中任意的字符,问号必须加，"?"是非贪婪匹配
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表

#由于xml是规范的，所以是一一对应（对于错误输入，暂时不考虑）
for i in range(len(listNames)):
  #输出的时候利用切片丢弃多余的符号，如：<>/
  print(listNames[i][1:len(listNames[i])-1],":",
     listContents[i][1:len(listContents[i])-2])

最后，用分组对代码的正则进行优化一下，如下：

#coding:utf-8
import re

s="<composer>Wolfgang Amadeus Mozart</composer><author>Samuel Beckett</author><city>London</city>"
pattern1=re.compile("<(\w+?)>")  #匹配<>中任意的字符
# 此模式为非贪婪模式，所以s不是多行也可以匹配
pattern2=re.compile("<\w+?>(.+?)</\w+?>")  #匹配<a>...</a>中任意的字符,问号必须加，"?"是非贪婪匹配
listNames=pattern1.findall(s) #获取所有满足正则表达式pattern1的字符串的列表
listContents=pattern2.findall(s) #获取所有满足正则表达式pattern2的字符串的列表

#由于xml是规范的，所以是一一对应（对于错误输入，暂时不考虑）
for i in range(len(listNames)):
  print(listNames[i],":",
     listContents[i])

这篇文章就介绍到这，大家可以多参考我们以前发布的关于python 正则表达式的相关内容。