Python re.sub使用非贪婪模式(.*?)与字符串结束符($)一起使用时，它会变成贪婪模式！

Question

代码：

str = '<br><br />A<br />B'
print(re.sub(r'<br.*?>\w$', '', str))

预期返回<br><br />A，但实际上返回了一个空字符串''！

有什么建议吗？

- Jet Guo

---

请不要将 str 作为变量名。 - Chris Morgan

嗯...嘿...你不是在用正则表达式解析HTML吧？ - detly

如果你需要解析大量的HTML，那么最好使用像http://www.crummy.com/software/BeautifulSoup/这样的工具，而不是正则表达式。 - Matti Pastell

https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 - ephemient

Answer 1

贪心算法是从左到右进行匹配，而不是反过来。它基本上意味着“除非你无法匹配，否则不要匹配”。以下是发生的情况：

1. 正则表达式引擎在字符串开头匹配<br。 2. .*?暂时被忽略，因为它是懒惰的。 3. 尝试匹配>，并成功了。 4. 尝试匹配\w，但失败了。现在有趣了——引擎开始回溯，并看到了.*?规则。在这种情况下，.可以匹配第一个>，所以仍然有希望匹配成功。 5. 这种情况会一直发生，直到正则表达式到达斜杠。然后>\w可以匹配，但$失败了。引擎再次回到懒惰的.*规则，并继续匹配，直到它匹配<br><br />A<br />B。 幸运的是，有一个简单的解决方案：通过替换<br[^>]*>\w$，您不允许在标签外进行匹配，因此它应该替换最后一次出现的匹配。严格来说，这对于HTML并不适用，因为标记属性可能包含>字符，但我假设这只是一个例子。

- Kobi

Answer 2

非贪婪模式不会像那样晚启动。它匹配第一个<br，并将以非贪婪方式匹配其余部分，实际上需要到字符串的末尾，因为您指定了$。

为使其按您想要的方式工作，请使用

/<br[^<]*?>\w$/

通常情况下，不建议使用正则表达式来解析HTML，因为某些属性的值可能会包含<或>。

- nonopolarity