理解这个正则表达式

Question

我有一个来自互联网的正则表达式，以匹配<a>标签中的网址链接。它如下所示：

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

有人请您解释一下，这个模式究竟与<a>标签的内容相匹配吗？

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=[\'"](.*?)[\'"].*?>'

让我们把它分解。

• <a就是那个标签的开头。
• \s表示空格。
• (?:.*?\s)*?表示非捕获组，尽可能多次重复，或根本不重复， 这个组的内容是.*?：任何东西，然后是空格。
• href=只是标签的一部分。
• [\'"]表示'或"
• (.*?)是您的捕获组，可捕获任何内容。
• [\'"]表示'或"
• .*?任何东西，或什么都没有
• >就是那个，标签的结尾。

这在英语中是什么意思？

<a ANYTHING href=URL>

忽略任何内容，并捕获URL。

小细节：

• 网址包含引号字符'或"（因此包含在正则表达式中）。
• 任何可能存在于链接上的属性。
• 如果您了解基本HTML，那么您知道任何链接都在标记<a> ... </a>或<a ... >
中
• href=是我们想要的属性 - 这是链接地址。

Answer 2

那么@Inbar rose已经详细回答了你的问题， 但是当你使用正则表达式来获取链接时，可能会有一些链接会出现问题。但是你可以使用普通的split函数来获取它们，同时考虑到一般的html语法 -

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

>> http://www.google.com