Java网络爬虫--正则表达式之详解贪婪、逐步、独吐量词

除过正则表达式的基本概念与特性还有使用方法之外，我们在解析html的时候，如果要进行字符串的匹配，必须还要熟悉正则表达式之中量词的使用法则，今天我们就来谈谈贪婪、逐步、独吐这三种量词的使用。

---

贪婪量词

我们先来看一下经常使用的贪婪量词都有哪些：

• X?: X项目（项目也可以理解为X代表的变量，项目比较准确）出现一次或没有。
• X*: X项目出现0次或多次。
• X+: X项目至少出现1次。
• X{n}: X项目出现n次。
• X{n, }: X项目至少出现n次。
  X{n, m}: X项目出现n次但不超过m次。

下来我们解释贪婪量词为何贪婪。当我们使用贪婪量词进行字符串匹配的时候，如果比较器（Matcher）看到贪婪量词，会将剩下的字符串全部吃掉，然后从字符串的末尾一个个再吐出来，在这个过程中，它还会将吐出来的字符与规则表达式进行比较，如果吐出来的字符串符合规则表达式，而吃下的字符串也符合贪婪量词那么就比较成功，我们可以预想到，贪婪量词之所以贪婪，就是因为它会尽可能的找出长度最长的符合文字。

举个例子：
文字：xfooxxxxxxfoo，使用规则表达式 “.*foo“比较，当碰见贪婪量词 ” .×” (*da不出来～～)，比较器会吃掉剩下的字符串，在这个例子中也就是整个字符串，然后比较器再从后向前一个个将字符吐出来，当吐出foo的时候，foo符合贪婪量词之后的规则表达式，而剩下没吐的字符串也符合贪婪量词的部分，所以就匹配到了整个字符串，所以它尽可能的找出长度最长的符合文字。（“.”代表任一字符）

---

逐步量词

逐步量词也称非贪婪量词或懒惰量词，顾名思义，它和贪婪量词是相对的，它的形式是在贪婪量词之后加上“?”，形如：“.*?”，在使用逐步量词时，比较器会一边吃掉剩余文字，一边看吃下的文字是否符规则表达式，结果就是逐步量词会找出长度最短的符合文字。

还是上面的例子：
文字：xfooxxxxxxfoo，使用规则表达式 “.×?foo”比较，当碰见逐步量词 “ .×?” (*da不出来～～)，比较器会边吃文字边比较而不会一下将剩余的文字全部吃掉，所以第一个匹配到的字符串就是“xfoo”，第二个匹配到的字符串就是“xxxxxxfoo”，所以它尽可能的找出长度最短的符合文字。

---

独吐量词

在贪婪量词之后加上“+”，形如：“.*+”就是一种独吐量词，在使用独吐量词的时候，如果比较器看到独吐量词，它会将剩下的字符串全部吃掉，然后和贪婪量词相反，它不会吐出文字和剩下的规则表达式比较，而是会将吃下的文字和独吐量词进行比较，如果吃下的字符串符合独吐量词，那么它将不会将吃下的字符串吐出。

依然是上面的例子：
文字：xfooxxxxxxfoo，使用规则表达式 “.+foo”比较，当碰见独吐量词 “ .×+” (*da不出来～～)，比较器会吃掉剩下的字符串，在这个例子中也是整个字符串，然后它发现吃下的整个字符串已经满足独吐量词“.+foo”，所以它就不会将字符串再吐出，然后会因为没有剩余的字符串符合剩下的规则表达式“foo”而产生没有找到相匹配的字符串的情况，最后的结果就是没有任何文字符合。