Est-il possible de faire re trouver le plus petit match tout en utilisant des caractères avides

Question

Avis de non-responsabilité: Je ne suis pas un expert en regex. J'utilise Python re module pour effectuer une correspondance regex sur de nombreux fichiers htm. L'un des modèles est quelque chose comme ceci:

<bla><blabla>87765.*</blabla><bla> 

Le problème que je l'ai rencontré est que, au lieu de trouver tous les (disons) cinq occurrences du motif, il trouvera qu'un seul. Parce qu'il fusionne toutes les occurrences en une, en utilisant la partie <bla><blabla>87765 de la première occurrence et la partie </blabla><bla> de la dernière occurrence dans la page.

Existe-t-il un moyen de dire à re de trouver la plus petite correspondance?

Answer 1

Vous pouvez utiliser un qualificatif réticent dans votre modèle (pour plus de détails, faire référence à la python documentation sur les *?, +? et ?? opérateurs):

<bla><blabla>87765.*?</blabla><bla> 

Ou, exclure < des caractères correspondants possibles:

<bla><blabla>87765[^<]*</blabla><bla> 

seulement s'il n'y a pas de balises enfants entre <blabla> et </blabla>.

Answer 2

Um ... il y a un moyen de dire à re de trouver la plus petite correspondance, et c'est précisément en utilisant non-gourmand quantificateurs.

<bla><blabla>87765.*?</blabla><bla> 

Je ne peux pas imaginer pourquoi vous voudriez le faire en utilisant des quantificateurs gourmands.

Answer 3

Le module Python re prend en charge la correspondance non récurrente. Vous venez d'ajouter un ? à la fin du motif générique, tel que .*?. Vous pouvez en apprendre plus au this HOWTO.

Answer 4

I believe the regex 
<bla><blabla>87765.*?</blabla><bla> 
can produce catastrophic backtracking. 

Instead, use: 
<bla><blabla>87765[^<]*</blabla><bla> 

Using atomic grouping (I'm not sure Python supports this), 
the above regex becomes 
<bla><blabla>(?>(.*?<))/blabla><bla> 

Tout entre (?> ...) est traité comme un seul jeton par le moteur regex, une fois que le moteur regex quitte le groupe. Comme le groupe entier est un jeton, aucun retour arrière ne peut avoir lieu une fois que le moteur d'expressions régulières a trouvé une correspondance pour le groupe. Si un retour en arrière est nécessaire, le moteur doit revenir sur le jeton regex avant le groupe (le curseur dans notre exemple). S'il n'y a pas de jeton avant le groupe, l'expression régulière doit réessayer la regex entière à la position suivante dans la chaîne. Notez que j'avais besoin d'inclure le "<" dans le groupe pour assurer l'atomicité. Assez proche.