Question

我正在开发一个简单的程序，它从给定的网站中提取链接并将它们放在一个列表中。然后，以相同的方式逐步分析＆＃34; todo＆＃34; -list中提取的URL。

主程序正在运行，但在下一个版本中，我只想提取主页并忽略底层（例如＆＃34; www.stackoverflow.com＆＃34;但不是＆＃34; www.stackoverflow.com /问题/问＆＃34）

我尝试使用re.findall函数但因为它是list对象，它会破坏我的可迭代todo-list的结构。

是否有可能在使用正则表达式时返回一个字符串？

soup = BeautifulSoup(handle, 'html.parser')
newlinks = soup.find_all('a')

for link in newlinks:
    todo.append( re.findall('(http://.+)/', link.get('href')) )

Answer 1

如果您只想为每个输入字符串添加一个匹配项，请不要使用findall，其目的是找到许多匹配项。

而是使用re.match(pattern, text)来获取match个对象。检查返回值是否为None（表示未找到匹配项），然后在其上调用group(1)以获取匹配的组。

请注意，您的模式实际上并不是您想要的。如果只想匹配URL的初始部分（包括域，而不是路径），则需要从模式的重复部分中排除斜杠。我使用'(http://[^/]+)/'。使用+?代替+的非贪婪重复是另一种选择。

如果您考虑放弃整个RegEx方法来处理您的网址，您可能需要尝试使用urllib模块。致电urllib.parse.urlsplit会将网址拆分为以下部分：<scheme>://<netloc>/<path>?<query>#<fragment>。（这可能是Python 3中的一个新功能，虽然我不确定。urllib模块在版本之间重新安排了很多。）

在Python中使用正则表达式时只返回一个字符串

1 个答案: