正则比 xpath 快好多哦，顺便问一个很初级的正则问题。

[JCZ2MkKb5S8ZX9pq]

# Python 3.7

body = '<img src="https://tvax2.xximg.cn/crop.0.0.1242.1242.50/?????.jpg?KID=imgbed" alt="头像" class="por" /><img src="https://h5.xximg.cn/upload/2016/05/26/319/5547.gif" alt="达人" />'

re_icon = re.compile(r'src="(.*?)" alt="(?:V|达人)"')
v_icon = re_icon.search(body)
[print(i) for i in v_icon.groups()]

• 请问为什么这么取的时候，返回的是从第一个 src 开始的呢？
• 忽然短路，求点醒。

---

关于 xpath 和正则

• etree.HTML 这个步骤很费时。
• etree.HTML，re.compile 都不计时，也还是 re 快很多。
• 想把有些能转正则的，用正则处理了。

[maemual]

正则快，但是未来的维护性会非常非常的差

[tsohgdivil]

。。。。。。你自己都搞不清楚正则匹配到的东西是什么还说要把 xpath 全部替换成正则？

楼主的问题完美展现出了正则的缺点：经常取出一些出乎意料的结果，而且本来可能是“正确”的正则，html 都数据甚至是顺序变一变就完全不对了。

退一步来说，就算你真想用， 至少看本正则表达式的书再来用吧。。不然有可能出的问题多了去了。你这个问题的原因是贪婪模式，正则表达式默认会选取匹配内容最多的结果，所以他会从第一个 src 匹配到最后一个 alt

[Rysle]

也许正则验证工具可以帮助你理解正则表达式的正确意图，可以去试试 regex101

[JCZ2MkKb5S8ZX9pq]

@tsohgdivil
从应对变动的角度来说，xpath 也差不多吧，改结构或者属性名的话，也难免要再适配。
正则也可以把类名之类的兜进去做，或者从父级开始加判断，速度有可能也还是更快。
xpath 我测下来主要的时间开销是转 xml 结构，但毕竟整个页面可能需要的只是一小部分，整个都转这步可能也有优化的空间。

回到主题：请问贪婪模式不是加了?就应该匹配最短哪个了嘛？为什么在这边无效了呢？

[eason1874]

因为 src="(.*?)" alt="(?:V|达人)" 的 (.*?) 可以匹配任何内容。

你改成 src="([^\"]+)" alt="(?:V|达人)" 就可以匹配到你想要的了， [^\"]+ 的意思是除"以外其他字符。

你现在对正则一点都不了解，纯粹学习项目你可以改成正则，不然建议先别改，不然你修改正则浪费的时间可能比 XPath 耗时更多。

[JCZ2MkKb5S8ZX9pq]

@Rysle 试了下，跟我之前的理解差不多。

*? Quantifier — Matches between zero and unlimited times, **as few times as possible**, expanding as needed (lazy)

我的疑惑就是，这里的取到的 src 为什么不是从第二个 src 开始的？

[JCZ2MkKb5S8ZX9pq]

@eason1874
谢谢。我试了下，改成[^\S]也是对的。
不过按照我本来理解，*加了?它会自动从第二个开始匹配，匹配最短的那个。

[eason1874]

@JCZ2MkKb5S8ZX9pq #6 非贪婪是没错，如果是 src="(.*?)" 这样匹配到的就是第一个 src 属性，问题是你后面还跟了指定的 alt，所以你的正则是这么分的：

1. src=" 匹配这段字符
2. (.*?) 匹配任何内容
3. " alt="(?:V|达人)" 匹配这段字符，其中 alt 属性只能是 V 或者 达人

所以 (.*?) 得到的结果就是 src=" 和 " alt="(?:V|达人)" 这两段字符中间的内容。一般匹配属性可以用 ^\" 来匹配，因为 HTML 属性前面是双引号那么肯定也是以双引号结束，中间内容不会有双引号。

正则解析网页 DOM 有很多不确定性，比如突然 src 属性没有双引号了，或者改成单引号了，你这正则就不管用了。如果要囊括所有情况就要写得比较复杂。

[imn1]

xpath 本身并不慢，慢的是解析 DOM
如果巨量 html/xml，例如过万，建议正则；如果只有几十个，哪个熟悉用哪个

用 [^"]+ 替换 .*? 比较好

@tsohgdivil
如果遇到不规范 html，dom 解析会很惨的，正则查错就简单多了
我试过 parse 500w+ html，lxml 和 bs4 都惨不忍睹

其次，如果是提取字符串中的片段，dom 方式至少需要两步，提取 text()，再处理，正则可以一步完成
尤其要一次提取多个片段，正则写得好的话可以一个 findall 搞定，dom 要视乎 xpath 的复杂度分多次提取

[JCZ2MkKb5S8ZX9pq]

@eason1874
比如这里的正则，如果简化成 'src.*?alt'，它就能取到两段。
但附上了 alt 之后的内容，我本来以为它会取第二个 src 之后的内容，但实际是得到了从第一个开始的。
请问这里怎么理解比较好呢？

[JCZ2MkKb5S8ZX9pq]

@eason1874 比如后面直接用，alt="达人"，非贪婪还是没起作用，请问这该怎么理解呢？

[eason1874]

@JCZ2MkKb5S8ZX9pq #10 没看懂你说 “简化成 'src.*?alt'，它就能取到两段”是什么意思。

.*? 的意思是匹配任何内容直到遇到符合后面正则的内容，过程是这样：

1. src=" 匹配这段字符，OK，找到第一个标签的 src
2. (.*?) 匹配任何内容直到遇到符合后面正则的内容就停止
3. " alt="(?:V|达人)" 匹配这段字符，OK，在第二个 img 找到，可以结束了

你改成 alt="达人" 不影响啊。

[faketemp]

你问了一个我刚刚经历研究过的问题 o(*￣︶￣*)o
https://www.v2ex.com/t/611557

[JCZ2MkKb5S8ZX9pq]

@eason1874
哦，我反应过来了！

应该是这样的，它先找 src，然后找到 alt="达人"结束。
我之前的理解是最短，我以为它都找出来（第一个 src 到达人，第二个 src 到达人），然后返回一个最短的给我。

是不是这个意思 /捂脸

[JCZ2MkKb5S8ZX9pq]

@faketemp 哈哈哈哈 /握手

[eason1874]

@JCZ2MkKb5S8ZX9pq

改成 src="([^\"]+)" alt="(?:V|达人)" 之后过程就变成这样了：

1. src=" 匹配这段字符，OK，找到第一个标签的 src
2. ([^\"]+) 匹配非"内容，遇到"这段完成
3. " alt="头像" 匹配到这里，哎，alt 属性不对，丢掉
4. src=" 在第二个 img 标签又找到这段字符，开始新的匹配
5. ([^\"]+) 匹配非"内容，完成
6. " alt="(?:V|达人)" 匹配这段字符，OK，找到完全符合规则的内容，可以结束了

[JCZ2MkKb5S8ZX9pq]

@eason1874
我说找到两段，是它从 src 开始找，找到第一个 alt，它就记录一段。
然后它继续找，找到第二个 src，然后又找到第二个 alt，又记录了一段。
所以 'src.*?alt' 如果用 findall，就会看到两段。

[tsohgdivil]

你看就这么一个简单的例子就得讨论这么多层。。更说明问题了。

不是说正则不好，但是运用正则需要对正则很深的了解才不会出错，不然到处复制粘贴修修改改可能出错的地方多了去了。

所以与其在这纠结这个例子是不是有问题，我还是建议去系统性的看下正则的书籍，了解了正则的匹配过程是怎么样的这些问题都不是问题。

[JCZ2MkKb5S8ZX9pq]

@eason1874 嗯，是这么回事儿，我明白了，感谢。

[eason1874]

@JCZ2MkKb5S8ZX9pq 全局匹配用 src.*?alt 是会匹配两个，因为你这里确实有两个符合规则的。