用Python匹配HTML tag的时候，<.>和<.?>有什么区别？

今天咱们聊一个程序员面试时可能会遇到的常见问题——Python用来匹配HTML标签时，<.*>和<.*?>之间的区别。

说到这儿，可能有些朋友会想：“这不就是正则表达式的问题吗？怎么好像有点儿复杂？”其实吧，听起来复杂，但只要你搞明白了背后的原理，整个问题就变得简单了。

1. 正则表达式简介：为何匹配HTML标签

在开始讲区别之前，咱们先来简单聊聊正则表达式。你知道，正则表达式（Regex）是一个强大的工具，能帮助你匹配、搜索、替换字符串。在Python中，正则表达式由re模块提供。我们经常用它来做字符串匹配、分割文本，甚至抓取HTML标签等。

所以当面试官问到“用Python匹配HTML标签”，你脑海中应该立刻想到正则表达式的相关问题了。简单来说，如果你要匹配像<div>、<p>这样的HTML标签，你可能会写个类似的正则：

import re

html = "<div>Hello World!</div><p>Welcome to Python!</p>"
pattern = r"<.*>"
matches = re.findall(pattern, html)
print(matches)

这样，<.*>就能匹配到整个HTML标签。看起来一切都好像很简单，但这里的<.*>有一个非常重要的特点——它是“贪婪”的，接下来的<.*?>就是它的“非贪婪”版本。

2. <.*>：贪婪匹配

说到正则表达式的贪婪和非贪婪匹配，咱们先要搞清楚贪婪匹配是啥。简单来说，贪婪匹配会尽可能地多匹配字符。也就是说，<.*>会匹配整个字符串中第一个<到最后一个>之间的所有内容，哪怕中间有多个HTML标签。嗯...这样就会遇到一个大问题。

例如：

html = "<div>Hello World!</div><p>Welcome to Python!</p>"
pattern = r"<.*>"
matches = re.findall(pattern, html)
print(matches)

输出的结果是：

['<div>Hello World!</div><p>Welcome to Python!</p>']

你看到了吗？它把整个HTML内容都匹配进去了，而不是单独匹配<div>和<p>。这是因为<.*>是“贪婪的”，它会一直尝试去匹配最远的>符号，直到字符串的结尾。所以如果你想要逐一匹配每一个标签，就不能只用<.*>。

3. <.*?>：非贪婪匹配

既然有了贪婪匹配，那非贪婪匹配是怎么回事呢？非贪婪匹配的意思是尽可能少地匹配字符，直到遇到满足条件的位置就停止。因此，<.*?>中的?让*变成了非贪婪模式。

让我们来看个例子：

html = "<div>Hello World!</div><p>Welcome to Python!</p>"
pattern = r"<.*?>"
matches = re.findall(pattern, html)
print(matches)

输出结果：

['<div>', '</div>', '<p>', '</p>']

看看，这下我们成功地逐个匹配到了每一个HTML标签！这里的关键就在于<.*?>中的?，它强制让*变成了非贪婪的，这样每次匹配都会在遇到第一个>符号时就结束匹配。简直是正则界的“小巧精致”，是不是感觉很牛？🔥

4. 为什么会有这么大的差异？

那你可能会问了：“这两个正则到底啥时候该用？为什么会有这种差异？”

首先，<.*>常常适用于那些你想要匹配标签内所有内容的情况，比如当你需要解析一个HTML文档时，获取所有的HTML内容并不在乎是否会跨标签时，就可以使用<.*>。但问题是，这种贪婪的匹配模式会带来性能和准确性上的问题，尤其是在HTML结构复杂时，匹配结果容易出错。

而<.*?>则适用于当你需要逐一匹配每一个标签时，或者在HTML结构中间有多个标签嵌套时，非贪婪匹配能确保你获取到的是每个独立的标签，而不会因为嵌套结构被“吞掉”其他标签。这在处理嵌套HTML时非常重要，尤其是当你要做更细致的HTML解析时，<.*?>几乎是必不可少的。

5. 实际应用：HTML标签解析

为了更清楚地理解这两者的区别，我给大家举个实际的应用场景。假设你要从HTML页面中提取所有的<a>标签（通常是用来表示链接的标签）。

如果你用贪婪匹配<.*>来做，匹配可能会出错，尤其是在有嵌套标签的情况下。比如，如果你用<.*>来匹配<a>标签，会错误地匹配到包含<a>标签的整个<div>。而如果你用<a.*?>，就可以准确地抓取每一个<a>标签。

html = '''<html>
  <body>
    <a href="https://example.com">Example 1</a>
    <div>
      <a href="https://example2.com">Example 2</a>
    </div>
  </body>
</html>'''

# 贪婪匹配：错误的匹配方式
pattern_greedy = r"<a.*>"
matches_greedy = re.findall(pattern_greedy, html)
print("贪婪匹配结果:", matches_greedy)

# 非贪婪匹配：正确的匹配方式
pattern_non_greedy = r"<a.*?>"
matches_non_greedy = re.findall(pattern_non_greedy, html)
print("非贪婪匹配结果:", matches_non_greedy)

输出结果是：

贪婪匹配结果: ['<a href="https://example.com">Example 1</a><div>\n      <a href="https://example2.com">Example 2</a></div>']
非贪婪匹配结果: ['<a href="https://example.com">Example 1</a>', '<a href="https://example2.com">Example 2</a>']

从这个例子中可以看出，贪婪匹配会把两个<a>标签一起匹配，而非贪婪匹配则准确地抓取到了每一个<a>标签。

6. 总结

今天咱们聊了Python正则中<.*>和<.*?>的区别，简单来说，前者是贪婪匹配，后者是非贪婪匹配。贪婪匹配会尽可能多地匹配字符，而非贪婪匹配会尽量少匹配字符，直到满足条件为止。

如果你要逐个匹配HTML标签，使用<.*?>会是更安全、更精确的选择。其实，正则表达式的魅力就在于它的灵活性，掌握了这些技巧，你就能应对各种HTML解析问题。再说了，学会正确的匹配方式，程序员的面试就能轻松拿下！👨‍💻

最后，我为大家打造了一份deepseek的入门到精通教程，完全免费：https://www.songshuhezi.com/deepseek

也可以看我写的这篇文章《DeepSeek满血复活，直接起飞！》来进行本地搭建。

对编程、职场感兴趣的同学，大家可以联系我微信：golang404，拉你进入“程序员交流群”。

虎哥作为一名老码农，整理了全网最全《python高级架构师资料合集》。