网页抽取正则问题

黑色阳光_cu

1. my $html = "<table><tr><td>aa</td><td>bb</td></tr></table>标记1<table><tr><td>cc</td><td>dd</td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>";
   
2. my @ar = $html =~ m{\G(?(?=^).*?标记1).*?(<td>\w+</td>)(?=.*?标记2)}xg;
   
3. warn "@ar";

复制代码

哥不喜欢 (??{})

x9x9

谁再给解释下11楼的写法，google了半天没有答案。

iamlimeng

回复 21# 黑色阳光_cu


    谢谢黑色阳光，这个正则很强大，就是我想要的正则。

toniz

11楼的原理是巧妙的让正则表达式失败，并不断重新尝试。
当正则表达式引擎在字符串中找到符合下面这段正则规制的内容后

1. /标记1.*?(<td>\w+<\/td>).*?标记2

复制代码

接下来就是把$1内容存入数组，然后这时候让正则表达式匹配失败。
那么正则表达式引擎就会进行新的尝试。
这样就能匹配到所有的符合条件的内容。

toniz

不过11楼的代码写得很隐晦。下面的正则，同样的道理。至于11楼用上/g，这个完全没有必要。

1. $html =~ /标记1.*?(<td>\w+<\/td>).*?标记2(?{print "$1\n"})(?!)/;
   
2. $html =~ /标记1.*?(<td>\w+<\/td>).*?标记2(?{print "$1\n"})\1/;

复制代码

黑色阳光_cu

不过11楼的代码写得很隐晦。下面的正则，同样的道理。至于11楼用上/g，这个完全没有必要。
toniz 发表于 2010-12-22 09:13

   


都没有哥的强大

toniz

能够写出11楼那样的正则，证明对正则表达式内部工作原理很了解。他那个正则的效率要比你的高太多。

黑色阳光_cu

能够写出11楼那样的正则，证明对正则表达式内部工作原理很了解。他那个正则的效率要比你的高太多。
toniz 发表于 2010-12-22 09:51

   
哥不用(?{...})

toniz

只讨论正则，不考虑实际应用。如果实际应该的话，我宁可去用楼主的两个正则来实现。

黑色阳光_cu

1. #!/bin/env perl
   
2. # t2.pl
   
3. 
   
4. use strict;
   
5. use warnings;
   
6. 
   
7. foreach (1 .. 200000)
   
8. {
   
9.         my $html = "<table><tr><td>aa</td><td>bb< /td></tr></table>标记1<table><tr><td>cc</td><td>dd< /td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>";
   
10.         #my @ar = $html =~ m{\G(?(?=^).*?标记1).*?(<td>\w+</td>)(?=.*?标记2)}xg;
    
11.         my @a;
    
12.         $html =~ /标记1.*?(<td>\w+<\/td>).*?标记2(??{push @a,$1})/g;
    
13. }
    

复制代码

$ time perl t2.pl

real    0m3.778s
user    0m0.015s
sys     0m0.015s

-------------------------------------------------- 我是华丽的分界线 -----------------------------------------------------------

1. #!/bin/env perl
   
2. # t.pl
   
3. 
   
4. use strict;
   
5. use warnings;
   
6. 
   
7. foreach (1 .. 200000)
   
8. {
   
9.         my $html = "<table><tr><td>aa</td><td>bb< /td></tr></table>标记1<table><tr><td>cc</td><td>dd< /td></tr></table>标记2<table><tr><td>ee</td><td>ff</td></tr></table>";
   
10.         my @ar = $html =~ m{\G(?(?=^).*?标记1).*?(<td>\w+</td>)(?=.*?标记2)}xg;
    
11.         #my @a;
    
12.         #$html =~ /标记1.*?(<td>\w+<\/td>).*?标记2(??{push @a,$1})/g;
    
13. }
    

复制代码

$ time perl t.pl

real    0m1.271s
user    0m0.031s
sys     0m0.015s