获取某些链接的href字符串

Question

使用beautifulSoup，我想获得与某些href相关联的字符串，其中包含“/ genre /”。例如，我使用以下命令获得以下href：

soup.find_all('a', href=True)

输出是：

 <a href="/genre/Animation?ref_=tt_stry_gnr"> Animation</a>,
 <a href="/genre/Adventure?ref_=tt_stry_gnr"> Adventure</a>,
 <a href="/genre/Family?ref_=tt_stry_gnr"> Family</a>,
 <a href="/title/tt0235917/parentalguide?ref_=tt_stry_pg#certification"> See all certifications</a>,
 <a href="/title/tt0235917/parentalguide?ref_=tt_stry_pg" itemprop="url"> View content advisory</a>,

但是，我想选择 only “genre”作为链接并获取输出：

Animation
Adventure
Family

我尝试使用：

import re
imdb_page.find_all('a', {'href': re.compile(r'/genre/\d.*')})

但我得到一个空数组。有任何想法吗？

Answer 1

你在正则表达式中有错误，它应该是

>>> for a in soup.find_all('a', {'href': re.compile(r'^/genre/.*')}):
...     print a.text
... 
 Animation
 Adventure
 Family

正则表达式解释

• ^将模式锚定在字符串的开头，

• /genre/匹配genre

• .*匹配任何内容

/genre/\d.*

出了什么问题

• \d匹配任何数字。那就是你试图匹配/genre/之后的数字（如href="/genre/1qwert"）。

  但是在输入字符串中，没有href遵循此模式。

  因此你得到一个空字符串。