如何在没有匹配模式本身的情况下在正则表达式中查看？

Question

让我们说我们想要在这样的标签中提取链接：

输入：

<p><a href="http://www.google.com/home/etc"><b>some text</b></a></p>

期望的输出：

http://www.google.com/home/etc

第一个解决方案是使用此href=[\'"]?([^\'" >]+)正则表达式查找与引用的匹配项  但我想要实现的是匹配href之后的链接。所以尝试这个(?=href\")...（前瞻性断言：没有消费的匹配）仍然匹配href本身。

这是一个只有正则表达式的问题。

Answer 1

许多基于正则表达式的解决方案中的一个是捕获组：

>>> re.search(r'href="([^"]*)"', s).group(1)
'http://www.google.com/home/etc'

[^"]*匹配任何非 - “。

Answer 2

解决方案可能是：

(?:href=)('|")(.*)\1

(?:href=)是一个非捕获组。这意味着解析器在匹配期间使用href，但它实际上不返回它。事实上，如果你在regex中尝试这样做，你会看到没有任何团体持有它。

此外，每次打开和关闭圆括号时，都会创建一个组。因此，('|")定义了组＃1，您想要的URL将在组＃2中。检索此信息的方式取决于编程语言。

最后，\1返回组＃1保留的值（在这种情况下，它将是"），以便为URL提供分隔符

Answer 3

让自己熟悉解析器，例如与BeautifulSoup 有了这个，就可以用

来实现

from bs4 import BeautifulSoup

html = """<p><a href="http://www.google.com/home/etc"><b>some text</b></a></p>"""

soup = BeautifulSoup(html, "html5lib")
print(soup.find('a').text)
# some text

BeautifulSoup支持多种选择器，包括CSS selectors。