Python爬虫.*?匹配时的疑惑

Python爬虫.*?匹配时的疑惑

网页源代码是这样的

img

这样过滤时r'<span class="title">(?P<name>.*?)</span>',re.S
会得到
”肖申克的救赎“
”&nbsp;/&nbsp;The Shawshank Redemption“
这两串

而如果在前面加上'<div class="item">*?
就能过滤掉后面的”&nbsp;/&nbsp;The Shawshank Redemption“这一串

我们知道.?是从<内容1>?<内容二>从前往后匹配过去，所以为什么在前面添加的过滤能滤掉后面的内容？

在span class="title"前面添加div class="item"过滤并显示内容
import requests
import re
url = "https://movie.douban.com/top250"
headers = {
    "User-Agent":"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/105.0.0.0 Safari/537.36 Edg/105.0.1343.42"
}

resp = requests.get(url,headers=headers)
web_code = resp.text
obj = re.compile(r'<div class="item">(?P<grb>.*?)<span class="title">(?P<name>.*?)</span>',re.S)
result = obj.finditer(web_code)
for i in result:
    print(i.group("grb"))
    print(i.group("name"))

 <div class="pic">
                    <em class="">1</em>
                    <a href="https://movie.douban.com/subject/1292052/">
                        <img width="100" alt="肖申克的救赎" src="https://img2.doubanio.com/view/photo/s_ratio_poster/public/p480747492.jpg" class="">
                    </a>
                </div>
                <div class="info">
                    <div class="hd">
                        <a href="https://movie.douban.com/subject/1292052/" class="">
                            
肖申克的救赎

#可以看到<div class="item">(?P<grb>.*?)过滤的内容里并不包含”&nbsp;/&nbsp;The Shawshank Redemption“这一串
但是如果前面不添加添加div class="item"
obj = re.compile(r'<span class="title">(?P<name>.*?)</span>',re.S)
result = obj.finditer(web_code)
for i in result:
    print(i.group("name"))

肖申克的救赎
&nbsp;/&nbsp;The Shawshank Redemption

#结果后面就多了&nbsp;/&nbsp;The Shawshank Redemption这一串

请问<div class="item">(?P<grb>.*?)<span class="title">(?P<name>.*?)</span>中的
<div class="item">(?P<grb>.*?)是怎么做到过滤掉”肖申克的救赎“后面的
”&nbsp;/&nbsp;The Shawshank Redemption“这一串的？

.*?
点代表任意字符
星表示前面的字符重复任意次数
点星就表示任意长度的字符串
问号表示非贪婪匹配，也就是匹配到第一个能跟后续字符匹配的字符串就结束
-=-=-=
那么好了，两个匹配，一个是item.*?title.*?，一个只有title.*?
后一个当然会匹配所有title开头的字符串
而前一个，必须先匹配到item，再匹配title，才会拿取后续字符串，而你后一个字符串不再是item开头了，于是不再匹配
这里敲重点，每次匹配，都是从前一个匹配之后继续往后匹配的，不会再从头到尾的去匹配

前面添加 div class=item时，说明你正则表达式的开头变了呀，你只能匹配到第一行的内容呀，具备这个开头和结尾的只能是第一行呀！
有帮助的话采纳一下哦！

因为你只获取了前两个分组，如果后面继续获取的话还是会出现 ” / The Shawshank Redemption“这一串的

img

obj = re.compile(r'<span class="title">(?P<name>.*?)</span>',re.S) 这个模式是可以匹配到两个的，就是下图红框中两个，两个匹配中的name分别就是“肖申克的救赎”和“ / The Shawshank Redemption”：

img

obj = re.compile(r'<div class="item">(?P<grb>.*?)<span class="title">(?P<name>.*?)</span>',re.S)这个模式可以匹配到一个，是下图红框的部分，在这个匹配中，grb是黄色框部分，name是蓝色框部分，也就是“肖申克的救赎”：

img