正则-贪婪匹配(最大匹配) 和最小匹配的问题。

贪婪匹配(最大匹配) 和最小匹配的问题。

在抓取链接地址时，使用以下正则时发现，当在<a href="XXX">链接标题</a> 链接标题中含有HTML代码时，不能抓取到地址。
/<a[^>]+href=[/"/']{0,1}([^>/"/'/s]+)[/"/']{0,1}[^>]*>([^>]+)<//a>/i
尚若换成以下方式
/<a[^>]+href=[/"/']{0,1}([^>/"/'/s]+)[/"/']{0,1}[^>]*>(。+)<//a>/i
则不能抓取到你需要的链接数据，默认情况下，perl使用的是贪婪匹配模式，也就是尽可能多的匹配数据。
如：下面的脚本打印出“matched defgabcdef”，因为它尽可能多地匹配模式，直至结尾的‘g’。

$data = 'abcdefgabcdefg';
$data =~ /abc(.+)g/i;
print "matched ";

要改变匹配特点，只须简单地在量词（加号[+]或星号[*]）后面加一个问号（?）即可。在上面的程序中把模式改为在‘+’之后包含一个‘?’。

$data =~ /abc(.+?)g/i;

输出变成“matched def”，因为模式不再贪婪，而在允许模式匹配的同时匹配最少数目的字符。

对于可能得到的匹配多于期望的匹配的情况，最小匹配是必要的。

改成以下正则：
/<a[^>]+href=[/"/']{0,1}([^>/"/'/s]+)[/"/']{0,1}[^>]*>(.+?)<//a>/i
则可以抓取到需要的链接.

 

文章来源地址为：http://www.lampba.com/home-space-uid-4-do-blog-id-22.html