Question

我想在社交书签网站中提及所有* .wordpress网址。页面中的网址采用以下格式：

<span class="domain">somedomain.com </span>

以下是我提出的建议：

import os
import urllib2
import re
from os.path import basename
from urlparse import urlsplit
import time


baseurl = 'https://targetwebsite/pages/'

print baseurl


spage = int(raw_input("Start page?"))
epage = int(raw_input("End page?"))

for p in range (spage, epage):
    url= baseurl+ str(p)
    print url
    urlContent = urllib2.urlopen(url).read()
    #WHAT REGEXP HERE?
    domainUrls = re.findall('span .*.wordpress.com (.*?) ', urlContent)

    try:

    for dUrl in domainUrls:
        print dUrl

    except:
    print "an error occured"
    pass

我尝试了不同的正则表达式但没有效果。感谢您的帮助。

Answer 1

一个宽松的答案就是

([^ ]*\.)?wordpress.com(\/[^ ]*)?

如何使用urllib2废弃跨度内容？

1 个答案: