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：
|
1
2
3
|
<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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
#coding:utf-8import res="<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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
|
#coding:utf-8import res="<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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
#coding:utf-8import res="<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：
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
|
#coding:utf-8import res="<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，大家可以多参考服务器之家以前发布的关于python 正则表达式的相关内容。
原文链接：http://blog.csdn.net/qq_29883591/article/details/78880352
