Question

我有以下正则表达式来匹配html链接：

<a\s*href=['|"](http:\/\/(.*?)\S['|"]>

它有点工作。除了不是真的。因为它在＆lt;之后抓住了所有东西。一个人... 并继续前进。我想从最后的\ S匹配中排除引号字符。有没有办法做到这一点？

编辑：这会让它只抓取报价，而不是＆lt;＆lt; a href btw

Answer 1

我不认为你的正则表达式正在做你想要的。

<a\s*href=['|"](http:\/\/(.*?)\S['|"]>

这可以非常贪婪地从http：//捕获任何引号，单引号或管道之前的第一个非空格字符。就此而言，我不确定它是如何解析的，因为它似乎没有足够的密切关注。

如果你想捕捉href，你可以尝试这样的事情：

<a .*?+href=['"](http:\/\/.*?)['"].*?>

这使用。*？（非贪婪匹配任何东西）以允许其他属性（目标，标题等）。它匹配以单引号或双引号开头和结尾的href（它不区分，并允许href用一个打开并与另一个关闭）。

Answer 2

为什么要尝试将HTML链接与正则表达式匹配？

根据你想要做的事情，适当的事情会有所不同。

您可以尝试使用HTML Parser。有几个可用，Python库中甚至有一个：https://docs.python.org/library/htmlparser.html

希望这有帮助！

Answer 3

>>> import re
>>> regex = '<a\s+href=["\'](http://(.*?))["\']>'
>>> string = '<a href="http://google.com/test/this">'
>>> match = re.search(regex, string)
>>> match.group(1)
'http://google.com/test/this'
>>> match.group(2)
'google.com/test/this'

说明：

 \s+   = match at least one white space (<ahref) is a bad link
 ["\'] = character class, | has no meaning within square brackets
         (it will match a literal pipe "|")

Answer 4

\ S匹配任何不是空白字符的字符，就像[^ \ s]

一样

这样写，您可以轻松地排除引号：[^ \ s“']

请注意，您可能需要提供。*？在你的正则表达式相同的治疗方法。该点匹配任何不是换行符的字符，就像[^ \ r \ n]

一样

再次，这样写，您可以轻松地排除引号：[^ \ r \ n'“]

Answer 5

阅读Jeff Friedl的“掌握正则表达式”一书。

正如所写：

<a\s*href=['|"](http:\/\/(.*?)\S['|"]>

表达式中有不平衡的括号。也许麻烦的是第一场比赛被视为“读到正则表达式结束”。另外，为什么你不想要URL的最后一个非空格字符？

。*？（懒惰的贪心）操作员很有意思。不过，我必须说，我更倾向于写作：

<a\s+href=['|"]http://([^'"><]+)\1>

这区分“＆lt; ahref”（不存在的HTML标记）和“＆lt; a href”（有效的HTML标记）。它不捕获'http：//'前缀。我不确定你是否必须逃避斜线 - 在Perl，我主要工作，我不需要。捕获部分使用贪婪匹配，但仅限于可能半合法地出现在URL中的字符。具体来说，它不包括引号和结束标记（并且，对于好的衡量标准，也包括开始标记）。如果你真的想要'http：//'前缀，请适当地移动捕获括号。

Answer 6

我在福克斯体育的一些网址中遇到过单引号问题。我做了一些轻微的调整，我认为应该照顾它。

http://msn.foxsports.com/mlb/story/9152594/Fehr：'Heightened'-关注-约 - 自由剂市场

/＆LT;一个\ s + HREF \ S * = \ S * [ “']（HTTP：//.*）[”'] [＆GT; \ S] / I

这要求结束引号后跟空格或右括号。

排除\ S正则表达式匹配中的字符

6 个答案: