Question

免责声明： 我知道之前有很多关于此类事情的问题，如果这是一个骗局，请标记或者只是给我链接＆amp;我可以删除这篇文章。

半免责声明 ：我对正则表达式不熟悉，所以我无法自行完成此操作：/

我有一个看起来像这样的文件：

asd<a href="http://asd.asd.asd#asd">asd</a>
asd<a href="https://asd.asd.asd#asd">asd</a>

这么多 asd 因为我不知道是否：

http或https
www.或其他
#something或者没有

我希望脚本获取此文件，例如input.txt，提取所有网址，使用#___ ，然后输出，每行一个，再输出到另一个文本文件比方说，output.txt。

对于此示例，输出将为：

http://asd.asd.asd#asd
https://asd.asd.asd#asd

再次，抱歉，如果这是重复的，我只是不擅长使用谷歌，并且，提前，谢谢你：）

使用Python 3 。

Answer 1

(?<=href=")[^"]*#[^"]*(?=")

您只需将此正则表达式与re.findall一起使用即可获得结果。请参阅演示。

https://regex101.com/r/uF4oY4/7

如果#是可选的，请使用

(?<=href=")[^"]*(?=")

您可以将其用作

f=open("input.txt","r")

print (re.findall(r'(?<=href=")[^"]*#[^"]*(?=")',f.read()))

Answer 2

使用BeautifulSoup

from bs4 import BeautifulSoup
s = '''asd<a href="http://asd.asd.asd#asd">asd</a>
asd<a href="https://asd.asd.asd#asd">asd</a>'''
soup = BeautifulSoup(s)
print([i['href'] for i in soup.select('a') if '#' in i['href']])

使用或不使用＆＃34;＃...＆＃34;提取URLS在文本文件中

2 个答案: