Question

我正在尝试创建一个与页面源链接匹配的正则表达式。我的文字格式如下：

这里的东西这是一个链接

<a class="_5syj" href="https://www.here.com/FirstCal?ref=br_rs">First Cal</a><span class="mls _1ccm9 _49"></span><a class="_fasc" href="https://www.here.com/Mall?ref=br_rs">Mall</a><span class="m1ls _1cm9 _49"></span>

我想获得所有以href =“https://www.here.com/(.*)?ref=br_rs”＆gt;

开头的链接

所以从链接来看，我会得到整个链接，或者FIrstCal和Mall（来自链接）

Python代码：

regex = r'(?<=href="https://www.here.com/).*(?<=?ref=br_rs)'

link = re.findall(regex, str(source))

link

但它不起作用。

有什么想法吗？

PS：正则表达式是唯一的方法。 HTML解析不起作用，因为网站的结构并不“稳定”。

Answer 1

将BeautifulSoup与仅与href内容匹配的正则表达式使用：

soup.find_all('a', href=re.compile('https://www.here.com/.*?ref=br_rs'))

解析器不关心结构是否正在发生变化，您只需要准确了解的稳定性;链接。

演示：

>>> import re
>>> from bs4 import BeautifulSoup
>>> soup = BeautifulSoup('''\
... <a class="_5syj" href="https://www.here.com/FirstCal?ref=br_rs">First Cal</a><span class="mls _1ccm9 _49"></span><a class="_fasc" href="https://www.here.com/Mall?ref=br_rs">Mall</a><span class="m1ls _1cm9 _49"></span>
... ''')
>>> soup.find_all('a', href=re.compile('https://www.here.com/.*?ref=br_rs'))
[<a class="_5syj" href="https://www.here.com/FirstCal?ref=br_rs">First Cal</a>, <a class="_fasc" href="https://www.here.com/Mall?ref=br_rs">Mall</a>]

如何匹配python正则表达式中的所有链接？

1 个答案: