为何Python正则Option2未显式处理空白仍能匹配含空白的HTML？

程序目标 #

给定HTML文本输入字符串，从中提取YouTube嵌入URL，并转换为https://youtu.be/[视频ID]格式输出。

测试输入示例 #

示例A #

<iframe src="https://www.youtube.com/embed/xvFZjo5PgG0"></iframe>

示例B #

<iframe width="560" height="315" src="https://www.youtube.com/embed/xvFZjo5PgG0" title="YouTube video player" frameborder="0" allow="accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture" allowfullscreen></iframe>

目标URL格式要求 #

需匹配的YouTube嵌入URL支持三种前缀：

• http://youtube.com/embed/[ID]
• https://youtube.com/embed/[ID]
• https://www.youtube.com/embed/[ID]

最终输出统一为：

https://youtu.be/xvFZjo5PgG0

Option 1 实现（显式清理空白） #

该方案先通过str.replace(" ", "")移除输入中的所有空白，再用正则匹配：

import re

def main():
    print(parse(input("HTML: ").replace(" ","")))

def parse(s):
    if matches := re.search(r"^(?:<iframe[=\w\"]*src=)?\"(?:https?://)(?:www\.)?youtube\.com/embed/(\w*)\"(?:[\w=\&quot;;-]*></iframe>)?$", s):
        id = matches.group(1)
        url = f"https://youtu.be/{id}"
        return url

if __name__ == "__main__":
    main()

Option 2 实现（未显式处理空白） #

该方案未清理空白也未在正则中定义空白，却能正确匹配：

import re

def main():
    print(parse(input("HTML: ")))

def parse(s):
    if matches := re.search(r"(?:<iframe[=\w\"]*src=)?\"(?:https?://)(?:www\.)?youtube\.com/embed/(\w*)\"([\w=\&quot;;-]*></iframe>)?", s):
        id = matches.group(1)
        url = f"https://youtu.be/{id}"
        return url

if __name__ == "__main__":
    main()

Option 2 能匹配含空白字符串的核心原因 #

Option 2的正则表达式没有使用^和$锚定整个字符串，它只是在输入字符串中搜索符合模式的子串，而非要求整个输入完全匹配模式。

具体逻辑：

1. 输入中的空白字符（比如<iframe和width之间的空格、src属性前后的空格）都出现在正则目标匹配子串（即被双引号包裹的YouTube URL）的外部。
2. re.search()函数会扫描整个输入字符串，只要找到任意一处符合正则模式的子串就返回匹配结果，完全忽略模式以外的所有字符（包括空白）。
3. 正则模式的核心是匹配双引号内的YouTube嵌入URL，而合法HTML中URL的双引号内部不会包含空白，因此空白不会干扰核心匹配逻辑。

这种写法虽然能适配当前示例，但鲁棒性有限——如果URL本身出现空白（不符合规范的极端情况），或者空白出现在URL的双引号内部，就会匹配失败。但在合法的HTML输入场景下，它可以正常工作。

内容的提问来源于stack exchange，提问作者DAK