Question

使用

等网址

https://search.yahoo.com/search?p=Fetty+Wap&fr=fp-tts&

我正在使用

pat = re.compile('<a href="(https?://.*?)".*',re.DOTALL)

作为搜索模式。

我想选择任何网址，例如上面的雅虎网址，但我希望将网址捕获到实际网址中的文字?。

换句话说，我想将网址提取到?，因为我知道我解析的所有网址都没有?字符。在这种情况下，我需要捕获所有网址。

上面的正则表达式工作并提取url但是到了url的末尾。我怎样才能让它在遇到的第一个?时停下来，如果它没有遇到?

，它会一直走到尽头

Answer 1

正则表达式真的是错误的工具。做一个基本的字符串拆分可以得到你想要的。

def beforeQuestionMrk(inputStr):
    return inputStr.split("?")[0]

url = "https://search.yahoo.com/sometext"
url2 = "https://search.yahoo.com/search?p=Fetty+Wap&fr=fp-tts&"

print(beforeQuestionMrk(url))
print(beforeQuestionMrk(url2))

#https://search.yahoo.com/sometext
#https://search.yahoo.com/search

如果您想想要使用正则表达式，我想您可以使用以下内容：

import re

def getBeforeQuestRegex(inputStr):
    return re.search(r"(.+?\?|.+)", inputStr).group(0)


print(getBeforeQuestRegex("https://search.yahoo.com/search?p=Fetty+Wap&amp;fr=fp-tts&"))
print(getBeforeQuestRegex("https://search.yahoo.com/sometext"))

#https://search.yahoo.com/search?
#https://search.yahoo.com/sometext

Answer 2

我同意其他答案，在这里使用regexp不是一个解决方案，特别是因为在打开<a>标签和href参数之前我有任意数量的参数，在它们之间也可能有一条新线

但是，回答最初的问题：

'*'，'+'和'？'限定符都是贪婪的 - 它们匹配尽可能多的文本

这就是为什么有非贪婪版本的原因：

'*？'，'+？'和'??'

Answer 3

上面的Bobble泡泡解决方案对我来说效果很好;

“你可以通过使用否定的类来尝试这样：] *？href =”（http [^“？] +）”＆lt; - bobbles answer。

url看起来像这样

https://search.yahoo.com/search?p=Justin+Bieber&fr=fp-tts&fr2=p:fp,m:tn,ct:all ......

或者它可能是这样的 https://www.yahoo.com/style/5-joyful-bob-ross-tees-202237009.html

目标是在没有文字的情况下提取完整的网址？在它，但如果它确实在文字之前停止？。

是Bobble Bubbles的回答和工作非常干净，做了我想做的事情，再次感谢大家参与这次讨论，真的很感激。

正则表达式捕获url直到某个字符

3 个答案: