python正则表达式多个可选捕获组

Question

我试图捕获多个组忽略情况，并且暂时没有任何进展。 我正在检查该字符串可以有多种形式，一些例如

<A title="Test title Ch.42" href="http://www.google.com">Test title Ch.42 </a> 
<A title="Test title Vol2. Ch.42" href="http://www.google.com">Test title Vol2. Ch.42 </a> 
<A title="Test title Vol2.Ch.42" href="http://www.google.com">Test title Vol2.Ch.42 </a> 
<A title="Test title \"with multiple quotes\" Ch.42" href="http://www.google.com">Test title "with multiple quotes" Ch.42 </a> 
<A title="Test title w1th numb3rs Ch.42" href="http://www.google.com">Test title w1th numb3rs Ch.42 </a> 
<A title="Test title no 42" href="http://www.google.com">Test title no 42 </a> 

所以一般的规则是这样的：

• 在标题标签的主标题可以包含每一个字符包括数字和特殊字符

• 的URL是一个标准的URL，而可以是与（。*）表达捕获毫无问题

• The Ch。通常是可选的

• 如果字符串包含Vol。，Ch。获得强制性

我现在的正则表达式如下：

pattern = re.compile('<A title="((.*)(?:Vol.[\d]+){0,1}(?: Ch.){0,1}([\d]+))" href="(.*)">') 

我想尝试和捕捉：

• 与卷和章节，包括其背后的号码标题标签

• 没有Vol和Ch的标题（没有Vol和C后面的数字） h）

• Ch。

它会更好分裂正则表达式，这将是为更好的性能（它运行在几千字符串，所以我想保持它的高性能）？

亲切的问候Baumchen

Answer 1

正则表达式是不是在这种情况下，分析的最佳工具，我想有工具恰好为。然而，随着给定的例子，你可以试试这个：

<a title="(.+?)\s?((Vol(\d+))?\s?\.?(Ch.(\d+)))?"\shref="(.+)"> 

DEMO

• group(1) - 标题，
• group(2) - 卷与NUM或/与章与NUM，
• group(3) - 卷带号码
• group(4) - 只有号码（Vol）
• group(5) - 中国与数
• group(6) - 只有
• group(7)（的CH）数 - URL