python - urlparse 在每个 url 上都完全失败

Question

以下代码不返回单个非空 urlparse.netloc 或 urlparse.scheme。scheme 和 netloc 被附加到 path 组件中。请问我做错了什么？

#! /usr/bin/python
# -*- coding: UTF-8 -*-

from urllib import urlopen  
from urlparse import urlparse, urljoin 
import re   
link_exp = re.compile("href=(.+?)(?:'|\")", re.UNICODE)  

flux = urlopen("http://www.w3.org") 
links = [urlparse(x) for x in link_exp.findall(flux.read())]
for x in links : 
    print x

这会提取每个（？也许我的正则表达式是错误的）url，并打印它，除了“http://”总是在路径中，而不是在方案中。怎么会？当我完成解决这个问题时，我可能应该重新实现 urlparse 功能，因为这是一个课程练习，而不是真实世界的场景。很抱歉没有更清楚地说明这一点！

Answer 1

你的正则表达式是错误的：

x = "<a href='http://www.bbcnews.com'>foo</a>"
link_exp.findall(x)
# ["'http://www.bbcnews.com"]

请注意，您包括开场白。

Answer 2

用这个：

link_exp = re.compile(r"href=\"(.+?)(?:'|\")", re.UNICODE)  

输出：

...
ParseResult(scheme='http', netloc='ev.buaa.edu.cn', path='/', params='', query='', fragment='')
...