前言：頁面裡的資料格式，不會照你希望的方式長

「網頁原始碼裡就是一段文字，用正規表達式撈出網址不就好了？」

理論上是。實務上，很多頁面會把設定資料用 JSON 的形式塞進一段 <script> 裡，M3U8 位置就藏在這段 JSON 字串裡面。這種情況下，正規表達式撈出來的不是「一個網址」，而是「一段包含網址、還帶著引號跟其他 JSON 語法字元的片段」——直接拿去用，十次有兩三次會因為多了一個逸出字元或引號沒處理乾淨而失敗。

今日目標

• 認識「看起來只是抓一個網址」背後藏著的資料結構問題
• 看一組「直接正則截字串 vs 正則定位＋JSON 正確解析」的對照
• 知道正規表達式的合理定位：用來「找到範圍」，不是用來「解析結構」

❌ vs ✅：正規表達式硬截字串 vs 用它定位、交給 JSON 解析

❌ 反例：正規表達式直接截出網址本體

import re

def extract_url(html: str) -> str:
    matched = re.search(r'"https:[^"]+\.m3u8"', html)
    return matched.group(0).strip('"')

這段程式碼隱含一個假設：網址字串裡不會出現任何跳脫字元、不會被額外包在別的結構裡。這個假設在多數情況下成立，但只要來源站把網址放進帶跳脫字元的 JSON 字串（例如 \/ 取代 /），這段程式碼撈出來的網址就是壞的，而且不會拋例外，只會在後續下載階段才發現連不上。

✅ 正例：正規表達式只負責定位範圍，實際解析交給 JSON 解析器

import json
import re

def extract_url(html: str) -> str:
    matched = re.search(r'"https:[^:]+?\.m3u8"', html)
    return json.loads('{"url": %s}' % matched.group(0))['url']

把撈出來的片段包成一段合法的 JSON（{"url": "..."}），再交給 json.loads 正式解析。這樣即使原始字串裡有 \/ 這種 JSON 跳脫字元，也會被正確解讀成 /，不會把跳脫符號原封不動留在結果裡。

正規表達式的合理定位

這個案例的教訓不是「不要用正規表達式」，而是分清楚正規表達式該負責什麼：它適合用來在一大段文字裡「找到某個範圍」，但只要那個範圍本身是一種有明確語法規則的結構（JSON、URL 編碼、HTML 屬性），就該把「解析範圍裡的內容」這件事交給對應的解析器，而不是繼續用正規表達式往下切。正規表達式沒有語法感知能力，字串裡多一個逸出字元、少一個引號，都可能讓結果悄悄壞掉而不拋錯。

今日思考題

你的專案裡有沒有用正規表達式解析過某種本身有語法規則的結構（JSON、URL、HTML 屬性）？那段程式碼有沒有處理過跳脫字元的情況，還是「目前測試過的資料剛好沒踩到」？

今日重點回顧

• 正規表達式撈出來的字串，可能只是「範圍」，不代表「值」本身已經正確
• 把撈出的範圍包成合法結構、交給對應的解析器，比繼續用正規表達式硬切更不脆弱
• 判斷準則：目標本身有沒有明確語法規則？有的話，正規表達式該止步於「定位」，不該延伸到「解析」

明日預告

明天講另一種例外情況：從頁面文字判斷「這是第幾個項目」時，不是每個項目的標題都乖乖是純數字。