Python findall（）RE

Question

我正在尝试使用Python查找所有的css文件中的图像文件。以下工作除了它只找到CSS文件中的第一个图像并忽略其余图像。如何使其抓取所有图像链接？

img_links_in_css = re.findall（'^。（url | URL | url | uRL | uRl）\ s （\ s *（。+。（png | jpg | gif | jpeg | svg ））\ s *）。*？$'，str（css））

Answer 1

你的正则表达式^中的

匹配新行（或整个文件）的开头，$匹配结尾。因此，你的正则表达式匹配整个文件（因为最后的.*）并且你只有一个（非重叠）匹配。

相反，您应该搜索以下内容：

r'(url|URL|Url|uRL|uRl)\s(\s*(.+?\.(png|jpg|gif|jpeg|svg))\s*)'

更改

• 在开头和结尾删除^.*和.*$。
• .+?代替.+使int非歧义（匹配最小的可能字符串）
• 搜索实际的＆＃34;。＆＃34;应该使用\.或[.]
完成
• 请注意，\s*不是必需的，\s\s*可以替换为\s+，如果它不是捕获组的问题。

还要照顾你想要的群体。每个(...)都是可以使用(?:...)非捕获组访问的组。

也许这样（取决于你想要的部分）：

r'(?:url|URL|Url|uRL|uRl)\s\s*.+?\.(?:png|jpg|gif|jpeg|svg)'   

或

r'(?:url|URL|Url|uRL|uRl)\s\s*(.+?)\.(?:png|jpg|gif|jpeg|svg)'

仅捕获内部部分（在Python中，如果需要处理它们，则使用\g<1>访问这些捕获组）。

Answer 2

你的表达中有一些问题：

• .+和.*令牌（greedy quantifiers）使RegEx匹配第一次出现，然后捕获字符串的所有剩余字符（特别是如果CSS缩小）;和
• 代币^和$仅在CSS未缩小（全部在一行中）且使用多行标记时才会显示（ re.M或re.MULTILINE）;

因此，您可以将其更改为（对于非缩小的CSS）：

    pattern = r'^.+(?:uRl|URL|Url|uRL|Uri)\s?(\s*(?:.+.(?:png|jpg|gif|jpeg|svg))\s*).*?$'
    re.findall(pattern, str(css), re.M)

要使用缩小的CSS，您还必须删除.+和.*令牌。可以使用更简单的表达式：

pattern = r'url\s*\(([^)]+)'
re.findall(pattern, str(css), re.I)

其中：

• url\*：匹配由re.I标志修改的字母U，R和L的任意组合，以忽略大小写。 （[Uu][Rr][Ll]可以代替使用）;
• \s*：前面或后面没有空格;
• \(：一个开括号;
• 最后，小组([^)]+)匹配任何不同于)的字符。

示例：

    >>> css = 'body{background-attachment:fixed;background-image:uRl(./Images/bg4.png)}.img-default{background-image:Url(./images/def.jpg)}div#header{\nbackground-image:url(images/header-background.jpg)\n}'
    >>> re.findall(r'url\(([^)]+)', css, re.I)
    ['./Images/bg4.png', './images/def.jpg', 'images/header-background.jpg']