python - 理解这个正则表达式

Question

我有一个从 Internet 获得的正则表达式来匹配<a>标签中的 URL 链接。它如下所示：

variable = re.compile('<a\s(?:.*?\s)*?href=[\'"](.*?)[\'"].*?>')

有人能解释一下这个模式将如何与<a>标签的内容匹配吗？

我对 Unix 中的正则表达式有基本的了解，但这对我来说看起来太复杂了，感谢任何人向我解释这一点。

Answer 1

'<a\s(?:.*?\s)*?href=[\'"](.*?)[\'"].*?>'

让我们分解一下。

• <a就是这样，一个标签的开始。
• \s表示空格。
• (?:.*?\s)*?表示一个非捕获组，尽可能重复或根本不重复，该组的内容是.*?：任何内容，然后是空格。
• href=就是这样，标签的一部分。
• [\'"]表示要么'或"
• (.*?)是你的捕获组，它捕获任何东西。
• [\'"]表示要么'或"
• .*?任何东西，或者什么都没有
• >就这样，标签的结尾。

这在英语中是什么意思？

<a ANYTHING href=URL>

ANYTHING 被忽略，并且 URL 被捕获。

小细节：

• URL 被引号字符包围，'或者"（因此包含在正则表达式中）。
• ANYTHING 是链接上可能存在的可能属性。
• 如果您了解基本的 HTML，那么您知道任何链接都在标签中<a> ... </a>或<a ... >
• 这href=是我们想要的属性——也就是链接地址。

Answer 2

好吧，@Inbar rose 已经详细回答了您的问题，但是当您使用正则表达式获取链接时，可能会有一些链接出现问题。如果您可以通过使用正常的拆分函数来获取它们，请考虑考虑一般的 html 语法 -

a='<a href="http://www.google.com">'r
print a.split('href=')[1].split('"')[1]

>> http://www.google.com