[已解决]正则表达式

Daniel_Zhang

发现了一个这样的匹配式

p = r'<img src="([^"]+\.jpg)"'

直接就能匹配出爬虫获得的 html 的 text 中所有的带有.jpg格式的链接，想请诸位大佬帮忙解析一下是如何做到的

我之前用正则的时候，各种 split 切割才拿到了自己想要的链接

[^"]+\.jpg 这一段应该是至少一次重复除了引号以外的字符对吧，然后后面跟着.jpg后缀，.用\转义为普通字符

但是前后连起来我就看不懂了

另外，为什么这里不需要?去取消掉贪婪模式，不取消的话，不是应该会从匹配的第一个一直到最后一个.jpg才会结束吗？

结贴速度快，有用必最佳

最佳答案

月排行榜 / 总排行榜

hrp

2021-2-10 01:16:06

<img src="

这个就不用说了吧，图片链接的格式。

[^"]+\.jpg

[^"]字符集表示匹配非双引号，+表示至少有一个字符，\.jpg表示以.jpg结尾。
以上两条连起来就是：从<img src="开始，匹配非"号字符串，并且以.jpg结尾。

另外，为什么这里不需要?去取消掉贪婪模式，不取消的话，不是应该会从匹配的第一个一直到最后一个.jpg才会结束吗？

不用取消贪婪模式，因为[^"]限制了只能匹配非"号，所以从<img src="开始后，遇到第一个"号(与前面<img src="的"号成对)就结束了，不会再继续匹配了。

跳转到最佳答案楼层

hrp

<img src="

这个就不用说了吧，图片链接的格式。

[^"]+\.jpg

[^"]字符集表示匹配非双引号，+表示至少有一个字符，\.jpg表示以.jpg结尾。
以上两条连起来就是：从<img src="开始，匹配非"号字符串，并且以.jpg结尾。

另外，为什么这里不需要?去取消掉贪婪模式，不取消的话，不是应该会从匹配的第一个一直到最后一个.jpg才会结束吗？

不用取消贪婪模式，因为[^"]限制了只能匹配非"号，所以从<img src="开始后，遇到第一个"号(与前面<img src="的"号成对)就结束了，不会再继续匹配了。

Daniel_Zhang

hrp 发表于 2021-2-10 01:16
这个就不用说了吧，图片链接的格式。

[^"]字符集表示匹配非双引号，+表示至少有一个字符，\.jpg表示以 ...

但是一般来讲，如果直接 p = r'<img src=".+?"' 的话，不光会匹配到 jpg 文件的链接，就连前面的 <img src="这一部分也会出现在 findall 的匹配结果里，比如说 <img src="http://example.jpg"

那么原问题中的那个是如何去掉这一部分，直接只匹配 jpg 的链接(只匹配到 http://example.jpg而没有<img src=")的呢？

qq1151985918

Daniel_Zhang 发表于 2021-2-10 02:28
但是一般来讲，如果直接 p = r'

那就是小括号的作用了，正则匹配中，可以把自己想要的部分用括号括起来，小括号起的是分组作用，默认是捕获。

Daniel_Zhang

qq1151985918 发表于 2021-2-10 03:07
那就是小括号的作用了，正则匹配中，可以把自己想要的部分用括号括起来。

最佳给楼上了，大佬不要见怪，楼上的回复解决了我大部分疑惑

谢谢，我现在理解了

qq1151985918

Daniel_Zhang 发表于 2021-2-10 03:11
最佳给楼上了，大佬不要见怪，楼上的回复解决了我大部分疑惑

谢谢，我现在理解了

没事没事。

crisfo

hrp 发表于 2021-2-10 01:16
这个就不用说了吧，图片链接的格式。

[^"]字符集表示匹配非双引号，+表示至少有一个字符，\.jpg表示以 ...

学习了

hrp

Daniel_Zhang 发表于 2021-2-10 02:28
但是一般来讲，如果直接 p = r'

漏说了一个，小括号是捕获组的意思，也就是匹配结果可以单独返回小括号匹配到的内容。
如果用findall去匹配：
如果表达式中只有一个捕获组，那findall将返回捕获组匹配的结果的列表，即[捕获组匹配结果1，捕获组匹配结果2，...]。
如果表达式中有多个捕获组，比如2个，findall将返回捕获组结果元组列表，即[(捕获组1匹配结果1, 捕获组2匹配结果1), (捕获组1匹配结果2, 捕获组2匹配结果2), ...]。

Daniel_Zhang

hrp 发表于 2021-2-10 08:33
漏说了一个，小括号是捕获组的意思，也就是匹配结果可以单独返回小括号匹配到的内容。
如果用findall去 ...

谢谢大佬