正则表达式中：.*，.*?，.+?的理解与应用

1、 .*    贪婪模式

. 表示 匹配除换行符 \n 之外的任何单字符，*表示零次或多次。所以.*在一起就表示任意字符出现零次或多次。没有?表示贪婪模式。比如a.*b，它将会匹配最长的以a开始，以b结束的字符串。如果用它来搜索aabab的话，它会匹配整个字符串aabab。这被称为贪婪匹配。

比如模式src='.*'， 它将会匹配最长的以 src='开始，以`结束的最长的字符串。用它来搜索 <img src='test.jpg' width='60px' height='80px'/> 时，将会返回 src='test.jpg' width='60px' height='80px'

 

2、 .*?   懒惰模式

?跟在*或者+后边用时，表示懒惰模式。也称非贪婪模式。就是匹配尽可能少的字符。就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。
a.*?b匹配最短的，以a开始，以b结束的字符串。如果把它应用于aabab的话，它会匹配aab（第一到第三个字符）和ab（第四到第五个字符）。
又比如模式 src=`.*?`，它将会匹配 src=` 开始，以 ` 结束的尽可能短的字符串。且开始和结束中间可以没有字符，因为*表示零到多个。用它来搜索 <img src=``test.jpg` width=`60px` height=`80px`/> 时，将会返回 src=``。

 

3、 .+?  懒惰模式

同上，?跟在*或者+后边用时，表示懒惰模式。也称非贪婪模式。就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复。
a.+?b匹配最短的，以a开始，以b结束的字符串，但a和b中间至少要有一个字符。如果把它应用于ababccaab的话，它会匹配abab（第一到第四个字符）和aab（第七到第九个字符）。注意此时匹配结果不是ab,ab和aab。因为a和b中间至少要有一个字符。
又比如模式 src=`.+?`，它将会匹配 src=` 开始，以 ` 结束的尽可能短的字符串。且开始和结束中间必须有字符，因为+表示1到多个。用它来搜索 <img src=``test.jpg` width=`60px` height=`80px`/> 时，将会返回 src=``test.jpg`。注意与.*?时的区别，此时不会匹配src=``，因为src=` 和 ` 之间至少有一个字符。

 

示例：

爬取源代码中的：影片名称、评分、图片等信息。

 

分析源码：

step1: 可以看到一部电影信息对应的源代码是一个 li 节点，我们用正则表达式来提取这里面的一些电影信息，首先我们需要提取它的电影名称信息，而它的电影名称信息是在 class 为 "list-item"的节点后，所以这里利用非贪婪匹配来提取data-title属性的信息，正则表达式写为：

<li.*?list-item.*?data-title="(.*?)".*?>

step2: 使用同样的的判断方面来提取dat-score属性的信息，正则表达式写为：

<li.*?list-item.*?data-title="(.*?)".*?data-score="(.*?)".*?>

step3: 随后我们需要提取电影的图片，可以看到在a节点内部有img节点，该节点下面有src属性是图片的链接，所以在这里提取img节点的src属性，所以正则可以改写如下：

<li.*?list-item.*?data-title="(.*?)".*?data-score="(.*?)".*?>.*?<img.*?src="(.*?)".*?/>