正则表达式匹配 Google Cache url（匹配整个 href 参数，当它包含一个词）答案

【问题标题】：Regex matching Google Cache url (matching entire href parameter when it contains a word)正则表达式匹配 Google Cache url（匹配整个 href 参数，当它包含一个词）
【发布时间】：2013-08-12 00:11:30
【问题描述】：

免责声明：我知道 html 和 regex 不应该站在一起，但这是一个例外情况。

我需要解析 Google 搜索结果并提取缓存 URL。我在页面上有这个：

<a href="/url?q=http://webcache.googleusercontent.com/search%3Fq%3Dcache:
gsNKb7ku3ewJ:somedata&ei=MyIIUtrZAcPX7AaVzIHwDg&amp;ved=0CB8QIDAC&amp;usg
=AFQjCNGcnWfdzQiTKwyAMmI-M-xzxII5Ag">Cached</a>

我尝试了简单的东西，例如：href=[\'"]?([^\'" >]+)，但这不是我需要的。我想从 href 中提取单个参数 (q)。我需要得到：

http://webcache.googleusercontent.com/search%3Fq%3Dcache:gsNKb7ku3ewJ:somedata

所以当内容中包含单词“webcache”时，“url?q=”和第一个“&”之间的所有内容。

【问题讨论】：

据我所知，这不是一个例外情况。你是用 javascript 还是其他东西来做这个？
(?<=href=[\'"]?/url\?q=)[^&\'">]+(?=&) 可以解决问题吗？
@WesleyMurch Python ..
为什么不使用 DOM 解析器？

标签： html regex

【解决方案1】：

如果您的语言支持积极的后视：

(?<=q=).*?(?=[&"])

否则用这个表达式匹配组\1：

(?:q=)(.*?)(?=[&"])

解释：

.*? 是我们表达式的主体。只需匹配所有内容，但不要贪婪！
(?<=q=) 是一个积极的后视，它说“q=”应该在比赛之前出现
(?=[&"]) 是一个积极的展望，它表示“& 或引用应该在比赛之后出现”

因为我们使用? 使它不贪心，所以它会在第一个引号或& 符号处停止。否则它会一直匹配到结束引号。

【讨论】：

【解决方案2】：

在前面使用前瞻，在末尾使用前瞻来断言周围的文本，并在正则表达式中包含关键字：

(?<=url\?q=)[^&]*webcache[^&]*(?=&)

使用[^&]* 可确保关键字出现在目标字符串中的 & - 之前。

【讨论】：