代码之家 › 专栏 › 技术社区 › iksemyonov

又一个贪婪的问题

greedy sed regex

iksemyonov · 技术社区 · 14 年前

我正在使用一个html帧源自动下载一些图像。好的,好的,赛德,好的。帧源示例:

<td width="25%" align="center" valign="top"><a href="images/display.htm?concept_Core.jpg"><img border="1" src="t_core.gif" width="120" height="90"><font size="1" face="Verdana"><br>Hyperspace Core<br>(Rob Cunningham)</font></a></td>

所以我这样做:

sed -n -e 's/^.*htm?\(.*jpg\).*$/\1/p' concept.htm

要得到像这样的部分:

concept_Core.jpg

要执行此操作:

wget--base=/some/url/concept_Core.jpg

但有一条讨厌的线。很明显,这行代码是站点中的一个bug,或者是任何可能的bug,但是它是错误的,但是我不能更改它。;)

<td width="25%" bla bla face="Verdana"><a href="images/display.htm?concept_frigate16.jpg" target="_top"><img bla bla href="images/concept_frigate16.jpg" target="_top"><br>Frigate 16<br>

也就是说,其中两个” concept_护卫舰16.jpg “排成一行。我的剧本给了我

concept_frigate16.jpg" target="_top"><img border="1" src="t_assaultfrigate.gif" width="120" height="90" alt="The '16' in the name may be a Sierra typo."></a><a href="images/concept_frigate16.jpg

你知道为什么。Sed是贪婪的,这显然在本例中显示出来。

现在的问题是,我该如何处理这个角落的案子?也就是说,不要贪得无厌,一开始就停下来 .jpg? 强调文字

5 回复 | 直到 14 年前

paxdiablo 14 年前

您可能需要考虑更改:

\(.*jpg\)

进入:

\([^"]*jpg\)

这应该会阻止你在第一次搜索结束后的第一次搜索 href . 考虑到我不知道完整的输入集,这是否会引入其他问题(对于其他边缘情况)有点难说。

如果是这样,您可能希望选择使用真正的解析器而不是正则表达式。regex是一个强大的工具,但它们不一定适合 一切。

ennuikiller 14 年前

使用perl:

perl -pe 's/^.*htm?\(.*?jpg\).*$/\1/'

kovarex 14 年前

使用“^”]而不是。在正则表达式中。这将选择除appostrophes之外的所有字符。

khachik 14 年前

sed -n -e 's/^.*htm?$[^"]*jpg$.*$/\1/p'

Dennis Williamson 14 年前

GNU grep可以做PCRE:

grep -Po '(?<=\.htm\?).*?jpg' concept.htm

推荐文章

lonix · 使用sed从JSON中提取非贪婪正则表达式

1 年前

me-me · regex检查电子邮件字符串是否有@后跟一个点以及点符号后至少2个字符[重复]

2 年前

Dave Guerrero · 是否有一个正则表达式模式来捕获字符串中直到第一个字母字符的数字?

2 年前

Dima Malko · 如何在指定符号前添加符号?

2 年前

shekharsabale · 从列表元素捕获子字符串

2 年前

maycca · 正则表达式:过滤年份数值大于某个值的文件?字符串中编码的年份

2 年前

Katia · 根据特定规则进行多行匹配

2 年前

Andrei Cleland · 在长正则表达式中包含unicode字符

2 年前

MHA · Pandas str.extract()以字母结尾的数字

2 年前

Slava Vir · 如何查找后面“/”之间的最后一组

2 年前