Python正则表达式使用过程中的小细节

标签：

今天用Python写了个简单的爬虫程序，抓取虎扑篮球(nba.hupu.com)的首页内容，代码如下：

1 #coding:gb2312
2 import urllib2, re
3 webpage = urllib2.urlopen(‘http://nba.hupu.com‘)
4 text = webpage.read()
5 m = re.search(‘<a href=(.*) (.*)?>彩票</a>‘, text)
6 print m.group(1)

按照预想应该输出的结果是"http://lecai.hupu.com/" ，但是得到的结果却是：

"http://cba.hupu.com/" >CBA</a></li><li class="line">|</li><li><a href="http://soccer.hupu.com/" >国际足球</a></li><li class="line">|</li><li><a href="http://soccer.hupu.com/china/" >中国足球</a></li><li class="line">|</li><li><a href="http://racing.hupu.com/" >赛车</a></li><li class="line">|</li><li><a href="http://tennis.hupu.com/" >网球</a></li><li class="line">|</li><li><a href="http://zb.hupu.com/" target="_blank">装备</a></li><li class="line">|</li><li><a href="http://www.shihuo.cn/" target="_blank">识货</a></li><li class="line">|</li><li><a href="http://lecai.hupu.com/"

经过思考后发现问题所在，根据Python正则表达式的贪婪匹配原则，Python会匹配从 <a href= 开始到 彩票 的最长字符串，所以自然会得到上述结果。

此外也需要注意 <a href=(.*) (.*)?>彩票</a> 两个group中的空格，若没有空格，Python将会将随后的target="_blank"也进行匹配，空格在此相当于起分隔的作用。

Python正则表达式使用过程中的小细节

标签：

原文地址：http://www.cnblogs.com/jzincnblogs/p/4881197.html