Python正则处理CSS选择器及简便匹配提取组的技术问询

我来帮你解决这两个正则相关的问题：

要从复杂CSS选择器列表里提取#（ID选择器）和.（类选择器），核心是精准匹配这两种选择器的格式——ID是#后跟合法标识符（字母、数字、下划线、连字符），类是.后跟同样的标识符，同时要注意过滤掉属性选择器（比如[href="#top"]）里的特殊字符。

实现代码 #

import re

# 示例CSS选择器列表
css_selectors = [
    "#header .nav-item",
    "div#content.main-container",
    "a[href='#top'] .link-active",
    ".sidebar #secondary-menu"
]

# 正则模式：匹配不在引号/方括号内的ID和类选择器
# 负向断言确保#/.不是属性里的内容
id_pattern = re.compile(r'(?<![\["])#[\w-]+')
class_pattern = re.compile(r'(?<![\["])\.[\w-]+')

extracted_ids = []
extracted_classes = []

for selector in css_selectors:
    # 批量提取当前选择器中的所有ID和类
    extracted_ids.extend(id_pattern.findall(selector))
    extracted_classes.extend(class_pattern.findall(selector))

# 可选：去重处理
extracted_ids = list(set(extracted_ids))
extracted_classes = list(set(extracted_classes))

print("提取的ID选择器:", extracted_ids)
print("提取的类选择器:", extracted_classes)

说明 #

• (?<![\["])是负向零宽断言，确保#或.前面不是[或"，避免把属性选择器里的#top这类内容误判为ID选择器。
• [\w-]+匹配所有合法的CSS标识符（CSS允许ID/类名包含字母、数字、下划线、连字符）。
• 用findall可以一次性提取当前选择器中的所有目标，比逐次search更高效。

你的当前实现可以优化，主要从减少IO操作和降低正则调用次数两个方向入手：

优化后的实现 #

import re

# 一次性读取整个文件内容（比readlines逐行处理更高效，减少IO开销）
with open('your_file.txt', 'r', encoding='utf-8') as f:
    file_content = f.read()

# 匹配所有双引号内的内容：
# 如果你不需要处理转义引号（比如"he said \"hello\""），用r'"(.*?)"'即可
# 要支持转义引号的话，用r'"(?:\\.|[^"])*"'
quote_pattern = re.compile(r'"(.*?)"')

# findall直接返回所有分组内容的列表，无需循环判断
extracted_quotes = quote_pattern.findall(file_content)

print(extracted_quotes)

为什么更高效？ #

1. 一次性读取文件：read()比readlines()减少了多次IO交互的开销，尤其是处理大文件时优势明显。
2. 单次正则扫描：findall会一次性扫描整个文件内容，找出所有匹配项，比逐行调用search减少了正则引擎的重复初始化和扫描次数。
3. 避免重复调用：你的原代码里每行都调用了两次re.search（先判断再取值），优化后直接用findall一步到位，代码更简洁。

特殊情况处理 #

如果你的文件里存在转义双引号（比如"message: \"hello world\""），需要把正则改成：

quote_pattern = re.compile(r'"(?:\\.|[^"])*"')

这个模式会跳过转义的引号，正确提取包含转义字符的字符串内容。

内容的提问来源于stack exchange，提问作者lgjmac