.*?的缺陷谁能说说? 在一个超大字符串(没分行数据)里用 5 个左右的 .*? 会出现不可预料的结果 - V2EX
V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
blackantt
V2EX    Python

.*?的缺陷谁能说说? 在一个超大字符串(没分行数据)里用 5 个左右的 .*? 会出现不可预料的结果

  •  
  •   blackantt 2022-10-10 13:48:16 +08:00 2837 次点击
    这是一个创建于 1104 天前的主题,其中的信息可能已经有所发展或是发生改变。

    .?的缺陷谁能说说? 在一个超大字符串(没分行数据)里用 5 个左右的 .? 会出现不可预料的结果

    按记录分行后,.? 就正常了。 问题是就算对记录预先分行,如果每次都先按记录来分行,再 .? 。 那工作量太大。 如果分错, 那结果也就不对了。

    详见, https://fishc.com.cn/thread-219007-1-1.html

    第 1 条附言    2022-10-10 17:26:18 +08:00
    需求,代码,以及 bug 说明都在包里。 不用密码,直接点击下载,https://www.alpacadisk.com/shared/DFnmIuBtzbrgR8hL


    请解释下 .*? 的 bug 问题。 以及类似问题用.*?怎么弄? 如果不用.*?哪又怎么弄?
    第 2 条附言    2022-10-10 20:55:17 +08:00
    刚才知道,正则不适合搞 html. 以前还真不知道
    8 条回复    2022-10-14 14:59:43 +08:00
    wxf666
        1
    wxf666  
       2022-10-10 14:14:03 +08:00   2
    怎么下载样例文件呢。。还要注册个账号?会不会积分不够,还得灌个水啥的?

    除非搜索 /替换需求特别简单,否则正则不适合用于 html xml 这种数据上

    推荐 BeautifulSoup lxml 等库,使用里面的 css selector 或 xpath 功能
    fbichijing
        2
    fbichijing  
       2022-10-10 16:21:46 +08:00
    @wxf666 确实如此。一开始的时候我还喜欢用正则去抓取某些不是很规则的数据,感觉还有那么一丢丢的方便。但随着使用次数的增多,发现直接使用提取器更加简单直接,节省去测试正则的时间。
    blackantt
        3
    blackantt  
    OP
       2022-10-10 17:28:09 +08:00
    @wxf666 重新上传到一个直接下载的地方了,请看
    wxf666
        4
    wxf666  
       2022-10-10 19:26:01 +08:00
    @blackantt 粗试了一下,Python 的正则是没问题的,因为在 regex101.comregexr.com 、Notedpad++ 等,都匹配到了相同的结果

    初步认为,你的正则出问题了
    liuidetmks
        5
    liuidetmks  
       2022-10-10 19:29:44 +08:00
    忘记哪看的,文法里面如果嵌套多个模糊匹配,消耗资源指数上升。
    wxf666
        6
    wxf666  
       2022-10-10 21:31:23 +08:00
    @liuidetmks 可能你说的是 [灾难性回溯]( https://zh.Javascript.info/regexp-catastrophic-backtracking ) ?


    @blackantt 实在不想改你的正则了,你自己去 regex101.com ,把你的正则、html 丢进去,看看都匹配了 7 个啥吧

    帮你把正则改成这样,然后在左边选择 `ECMAScript (Javascript)` 引擎,可以看到每个匹配 *(淡蓝色)* 及其各自的 6 个 `(.*?)` *(绿橙紫粉红绿)* 都长啥样:

    ```regex
    <div class="css-em857x"><a title="(.*?) profile" href="\/profile\/\d{6,8}">(.*?)<\/a><\/div><\/h4>(.*?)title="(.*?)"(.*?)<\/span><\/div><div class="MuiBox-root css-15ro776"><span aria-hidden="true" title="China" (.*?)1 shared interest: Languages &amp; Cultures<\/p><\/div><div class=
    ```


    写了段用 lxml 库的 xpath 功能抽取结果的 Python 代码:

    *( V 站排版原因,行首加了全角空格,记得删除)*

    ```python
    import lxml

    html = lxml.html.parse(r'C:\Users\dengz\Downloads\out8.txt')

    for node in html.xpath(
      '//div[@role="listitem" and '
      './/div[@class="MuiBox-root css-k008qs"]/*[2] and '
      './/p[contains(text(), "1 shared interest")]]'):
      n1 = node.xpath('.//a[text()]')[0]
      n2 = node.xpath('.//div[@class="MuiBox-root css-15ro776"][2]/span')[0]
      print([n1.get('href'), n1.text, n2.get('title')])
    ```
    ch2
        7
    ch2  
       2022-10-10 21:35:15 +08:00
    你需要的是一个语法分析器,别用词法分析工具干这种需求了
    pppguest3962
        8
    pppguest3962  
       2022-10-14 14:59:43 +08:00
    我个人感觉,在 python 里 re 效率要比 bs,lxml 里的 xpath 取值,速度上要麻利得多,
    html 的正则匹配从来都不是全文检索的,除非特征很明显并且不变,唯一。
    我一般的做法是 A 对象正则匹配全文 html 的可能范围,
    B 对象从 A 对象中正则匹配可能段落,
    C 对象从 B 对象中正则析出目标值,
    这样也比 bs ,lxml.xpath 取值速度要快
    而且每一步容错的空间也很大,好操作。
    关于     帮助文档     自助推广系统     博客     API     FAQ     Solana     2697 人在线   最高记录 6679       Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 23ms UTC 09:41 PVG 17:41 LAX 02:41 JFK 05:41
    Do have faith in what you're doing.
    ubao msn snddm index pchome yahoo rakuten mypaper meadowduck bidyahoo youbao zxmzxm asda bnvcg cvbfg dfscv mmhjk xxddc yybgb zznbn ccubao uaitu acv GXCV ET GDG YH FG BCVB FJFH CBRE CBC GDG ET54 WRWR RWER WREW WRWER RWER SDG EW SF DSFSF fbbs ubao fhd dfg ewr dg df ewwr ewwr et ruyut utut dfg fgd gdfgt etg dfgt dfgd ert4 gd fgg wr 235 wer3 we vsdf sdf gdf ert xcv sdf rwer hfd dfg cvb rwf afb dfh jgh bmn lgh rty gfds cxv xcv xcs vdas fdf fgd cv sdf tert sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf sdf shasha9178 shasha9178 shasha9178 shasha9178 shasha9178 liflif2 liflif2 liflif2 liflif2 liflif2 liblib3 liblib3 liblib3 liblib3 liblib3 zhazha444 zhazha444 zhazha444 zhazha444 zhazha444 dende5 dende denden denden2 denden21 fenfen9 fenf619 fen619 fenfe9 fe619 sdf sdf sdf sdf sdf zhazh90 zhazh0 zhaa50 zha90 zh590 zho zhoz zhozh zhozho zhozho2 lislis lls95 lili95 lils5 liss9 sdf0ty987 sdft876 sdft9876 sdf09876 sd0t9876 sdf0ty98 sdf0976 sdf0ty986 sdf0ty96 sdf0t76 sdf0876 df0ty98 sf0t876 sd0ty76 sdy76 sdf76 sdf0t76 sdf0ty9 sdf0ty98 sdf0ty987 sdf0ty98 sdf6676 sdf876 sd876 sd876 sdf6 sdf6 sdf9876 sdf0t sdf06 sdf0ty9776 sdf0ty9776 sdf0ty76 sdf8876 sdf0t sd6 sdf06 s688876 sd688 sdf86