正则表达式非捕获组正在捕获

Question

我有这个正则表达式

(?:\<a[^*]href="(http://[^"]+?|[^"]+?\.pdf)"+?[^>]*?)>

此正则表达式的重点是捕获具有以“http://”开头或以“.pdf”结尾的 href 的锚点的每个结束标记 ('>')。

正则表达式有效，但它正在捕获锚的第一部分，我绝对不需要捕获。

在以下示例中，除了第二个（这很好）之外，所有示例都匹配，但只应捕获最后一个括号，事实并非如此。

<a href="http://blabla">omg</a>
<a href="blabla">omg</a>
<a href="http://blabla.pdf">omg</a>
<a href="/blabla.pdf">omg</a>

例如：如果我们取第一个匹配项：

<a href="http://blabla">

我只想捕获最后一个括号（我用括号括起来的那个）：

<a href="http://blabla"(>)

那么为什么非捕获组正在捕获？而我怎么只能抓住锚的最后一个括号

即使我将正则表达式简化为以下内容，它仍然不起作用

(?:\<a[^*]href="http://[^"]+"+[^>]*)(>)

谢谢，

Answer 1

将你的正则表达式重写为：

(?:\<a[^*]href="(?:http://[^"]+?|[^"]+?\.pdf)"+?[^>]*?)(>)
   non capture __^^                                    ^ ^
                                             capture __|_|

正如托尼·卢卡萨维奇所说，有一个不必要的非捕获组，而且，没有必要逃跑<，所以变成了：

  <a[^*]href="(?:http://[^"]+?|[^"]+?\.pdf)"+?[^>]*?(>)
non capture __^^                                    ^ ^
                                          capture __|_|

Answer 2

您将两个不同的概念混为一谈：捕获和消费。正则表达式通常会消耗它们匹配的任何东西。这就是他们的工作方式。此外，大多数正则表达式风格都允许您使用capturing groups 来提取整体匹配的特定部分。 （整体匹配通常被称为第零个捕获组，但这只是一个比喻。）

听起来您正在尝试匹配整个 <A> 标签，但只使用最后一个 >。这在大多数正则表达式风格中是不可能的，包括 JavaScript。但是如果你使用 Perl 或 PHP，你可以使用\K 来欺骗匹配开始位置：

(?i)<a\s+[^>]+?href="http://[^"]+"[^>]*\K>

而在 .NET 中，您可以使用后视（与前瞻一样，匹配而不消耗）：

(?i)"(?<=<a\s+[^>]+?href="http://[^"]+"[^>]*)>

在支持lookbehinds 的其他风格中，大多数都对它们设置了限制，使其无法用于此任务。

Answer 3

如果我正确理解您只想匹配作为结束锚标记一部分的大于号 (>)，那么应该这样做：

\<a[^*]href="(http://[^"]+?|[^"]+?\.pdf)"+?[^>]*?(>)

Answer 4

如果我正确理解您的要求...

\<a[^*]href="(?:http://[^"]+?|[^"]+?\.pdf)"+?[^>]*?(>)

Answer 5

您的括号围绕标签本身和 href 的内容，所以这就是将被捕获的内容。如果您需要捕获结束 > 然后将括号放在它周围。