python - Python 正则表达式标记

Question

我试图弄清楚如何在 Python 中使用正则表达式来提取字符串中的某些 URL。例如，我可能有 'blahblahblah (a href="example.com")'。在这种情况下，我想提取所有“example.com”链接。我怎样才能做到这一点，而不是仅仅拆分字符串？

谢谢！

Answer 1

有一个很棒的模块，叫做 BeautifulSoup（链接：http ://www.crummy.com/software/BeautifulSoup/ ），它非常适合解析 HTML。您应该使用它而不是使用正则表达式从 HTML 获取信息。这是 BeautifulSoup 的示例：

>>> from bs4 import BeautifulSoup
>>> html = """<p> some <a href="http://link.com">HTML</a> and <a href="http://second.com">another link</a></p>"""
>>> soup = BeautifulSoup(html)
>>> mylist = soup.find_all('a')
>>> for link in mylist:
...    print link['href']
http://link.com
http://second.com

这是文档的链接，非常容易理解：http ://www.crummy.com/software/BeautifulSoup/bs4/doc/

Answer 2

不要使用正则表达式：

这就是为什么在处理 HTML 或 XML（或 URL）时不应该首先考虑正则表达式的原因。

如果您仍然想使用正则表达式，

您可以找到几种可以完成这项工作的模式，以及几种获取您希望找到的字符串的方法。

这些模式可以完成工作：

r'\(a href="(.*?)"\)'

r'\(a href="(.*)"\)'

r'\(a href="(+*)"\)'

1. re.findall()

re.findall(pattern, string, flags=0) 

返回字符串中模式的所有非重叠匹配，作为字符串列表。从左到右扫描字符串，并按找到的顺序返回匹配项。如果模式中存在一个或多个组，则返回组列表；如果模式有多个组，这将是一个元组列表。空匹配包含在结果中，除非它们触及另一个匹配的开始。

import re
st = 'blahblahblah (a href="example.com") another bla <a href="polymer.edu">'
re.findall(r'\(a href="(+*)"\)',s)

2. re.search()

re.search(pattern, string, flags=0)

扫描字符串以查找正则表达式模式产生匹配的位置，并返回相应的 MatchObject 实例。

然后，re.group()通过小组进行。例如，使用 regex r'\(a href="(.+?(.).+?)"\)'，也可以在这里工作，你有几个封闭的组：组 0 匹配整个模式，组 1 匹配用括号括起来的第一个封闭子模式，(.+?(.).+?)

仅在查找第一次出现的模式时使用搜索。以你的例子，这将是

>>> st = 'blahblahblah (a href="example.com") another bla (a href="polymer.edu")'
>>> m=re.search(r'\(a href="(.+?(.).+?)"\)', st)
>>> m.group(1)
'example.com'

Answer 3

正则表达式是非常强大的工具，但它们可能并非在所有情况下都是您的工具（正如其他人已经建议的那样）。也就是说，这是控制台中的一个最小示例，它根据请求使用正则表达式：

>>> import re
>>> s = 'blahblahblah (a href="example.com") another bla <a href="subdomain.example2.net">'
>>> re.findall(r'a href="(.*?)"', s)
['example.com', 'subdomain.example2.net']

专注于r'a href="(.*?)"'。在英语中，它翻译为：“找到一个以 开头的字符串a href="，然后将结果保存为任何字符，直到您点击下一个"。语法是：

• 意思是()“只在这里保存东西”
• 意思是.“任何字符”
• 意思是*“任意次数”
• 意思是?“非贪婪”或其他术语：找到满足要求的最短字符串（尝试不带问号，你会看到会发生什么）。

！