Question

我编写了简单的Python脚本，连接到特定网站并获取所有链接那里。

import urllib2
import re


request = urllib2.urlopen('http://www.securitytube.net/')
content = request.read()
match = re.findall(r'<a href=".\w+.\d+">.+</a>', content)
if match:
    for i in match:
        print i + "\n"

else:
    print 'Not Found!'

结果：

<a href="/video/3878"><img class="corner iradius20  ishadow33" width="100" heigh
t="75" src="http://videothumbs.securitytube.net.s3.amazonaws.com/3878.jpg"  alt=
"avatar" /></a>

<a href="/video/3878">NodeZero Linux Review</a>

<a href="/video/3877"><img class="corner iradius20  ishadow33" width="100" heigh
t="75" src="http://videothumbs.securitytube.net.s3.amazonaws.com/3877.jpg"  alt=
"avatar" /></a>

<a href="/video/3877">Post Attack Uploading Shell in Real Time</a>

<a href="/video/3867"><img class="corner iradius20  ishadow33" width="100" heigh
t="75" src="http://videothumbs.securitytube.net.s3.amazonaws.com/3867.jpg"  alt=
"avatar" /></a>

<a href="/video/3867">Using SQLMAP in Real Time (SQLinjection WEB)</a>

<a href="/video/3866"><img class="corner iradius20  ishadow33" width="100" heigh
t="75" src="http://videothumbs.securitytube.net.s3.amazonaws.com/3866.jpg"  alt=
"avatar" /></a>
....
...
...

我正在尝试使用可理解的标题来获取这些链接，例如<a href="/video/3867">Using SQLMAP in Real Time (SQLinjection WEB)</a>。

我的模式是：<a href=".\w+.\d+">.+</a>

Answer 1

如果确实想要使用正则表达式而不是正确的解析器，则可以匹配groups并稍后访问它们。

请参阅http://docs.python.org/library/re.html

(...)

匹配括号内的正则表达式，和表示组的开始和结束;一组的内容可以在比赛结束后检索

尝试：

request = urllib2.urlopen('http://www.securitytube.net/')
content = request.read()
match = re.findall(r'<a href="(.*?)".*>(.*)</a>', content)
if match:
    for link, title in match:
        print "link %s -> %s" % (link, title)

此输出：

link /video/3822 -> SecurityTube SpeakUp: Cloud Computing
link /video/3587 -> 
link /video/3587 -> Securitytube Speak Up: Antivirus Evasion attacks
link /video/3489 -> 
link /video/3489 -> SecurityTube SpeakUp: ThePirateBay LOSS
link /video/3375 -> 
link /video/3375 -> SecurityTube SpeakUp: .COM and .NET Domain Seizures
link /video/3130 -> 
link /video/3130 -> SecurityTube Speak Up: The MS12-020 Fiasco!
...etc

您当然可以过滤链接，以便只考虑具有匹配标题的链接。你也想放弃以#开头的链接......你知道，一个合适的解析器会给你更好的结果。

Answer 2

永远不要用正则表达式解析html。 ; - ）

但是为了帮助您提高正则表达式，可以改进未来的非HTML 工作，您的正则表达式失败有两个地方：

.\w+.\d+（这与/中的/video/3877不符。请尝试“”[^“] +”
.+，这将与任何角色匹配...尝试尽可能少：.+?

HTML标记内容的正则表达式模式

2 个答案: