Question

以下代码不会返回单个非空urlparse.netloc或urlparse.scheme。方案和netloc前置于路径组件。我做错了什么，拜托？

#! /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错误）url，并打印出来，除了＆＃39; http：//＆＃39;总是在路上，而不是在计划中。怎么会？当我完成解决这个问题时，我应该重新实现urlparse功能，因为这是一个课程练习，而不是现实世界的场景。很抱歉没有更清楚！

Answer 1

你的正则表达式错了：

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

请注意，您要包含开场白。

Answer 2

使用此：

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

输出：

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

urlparse在每个url上完全失败

2 个答案: