Question

我是Python的新手。我正在学习正则表达式，但我需要帮助。

这是HTML源代码：

<a href="http://www.ptop.se" target="_blank">http://www.ptop.se</a>

我正在尝试编写仅打印出http://ptop.se的工具。你能帮帮我吗？

Answer 1

如果您只想找一个：

import re
match = re.search(r'href=[\'"]?([^\'" >]+)', s)
if match:
    print match.group(0)

如果您有一个长字符串，并且想要其中的每个模式实例：

import re
urls = re.findall(r'href=[\'"]?([^\'" >]+)', s)
print ', '.join(urls)

s是您要查找的字符串匹配的位置。

正则表达式位的快速解释：

r'...'是一个“原始”字符串。它会阻止你像往常一样担心逃避角色。（\特别是 - 在原始字符串中，\只是\。在常规字符串中，您每次都必须\\，并且< regexps中的em> old 。）

“href=[\'"]?”表示匹配“href =”，可能后跟'或"。 “可能”因为很难说你正在看的HTML有多可怕，并且引用并不是严格要求的。

将“()”中的下一位括起来表示将其分为“组”，这意味着将其拆分并单独返回给我们。这只是说“这是我感兴趣的模式的一部分。”

“[^\'" >]+”表示匹配不是 '，"，>或空格的任何字符。本质上，这是一个URL结尾的字符列表。它让我们避免尝试编写可靠匹配完整URL的正则表达式，这可能有点复杂。

使用BeautifulSoup的另一个答案的建议并不差，但确实引入了更高级别的外部要求。另外，它对你学习regexp的既定目标没有帮助，我认为这个特定的html解析项目只是其中的一部分。

这很容易做到：

from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(html_to_parse)
for tag in soup.findAll('a', href=True):
    print tag['href']

无论如何你已经安装了BeautifulSoup。

Answer 2

请勿使用正则表达式，请使用BeautifulSoup。那个，或者是如此苛刻，以至于产生它，比如w3m / lynx并且回到w3m / lynx渲染的东西。第一个更优雅，第二个只是在我写的一些未经优化的代码上快了很多。

Answer 3

这应该有效，尽管可能有更优雅的方式。

import re
url='<a href="http://www.ptop.se" target="_blank">http://www.ptop.se</a>'
r = re.compile('(?<=href=").*?(?=")')
r.findall(url)

Answer 4

John Gruber（编写Markdown，由正则表达式组成并在Stack Overflow上使用）开始生成一个识别文本URL的正则表达式：

http://daringfireball.net/2009/11/liberal_regex_for_matching_urls

如果您只想获取URL（即您并未真正尝试解析HTML），这可能比HTML解析器更轻量级。

Answer 5

正则表达式在解析HTML方面根本不好（请参阅Can you provide some examples of why it is hard to parse XML and HTML with a regex?了解原因）。你需要的是一个HTML解析器。有关使用各种解析器的示例，请参阅Can you provide an example of parsing HTML with your favorite parser?。

特别要考虑Python答案：BeautifulSoup，HTMLParser和lxml。

Answer 6

regexlib

上有数吨

Answer 7

是的，regexlib上有很多。这只能证明不应该使用RE来做到这一点。使用SGMLParser或BeautifulSoup或编写解析器 - 但不要使用RE。那些似乎有用的东西非常恭维，但仍未涵盖所有情况。

Answer 8

使用可选匹配（在href=之后打印）并且仅获取链接时，这非常有效。在http://pythex.org/

上测试过

(?:href=['"])([:/.A-z?<_&\s=>0-9;-]+)

Oputput：

匹配1. / wiki / Main_Page

匹配2. / wiki / Portal：内容

匹配3. / wiki / Portal：Featured_content

匹配4. / wiki / Portal：Current_events

匹配5. / wiki /特殊：随机

匹配6. //donate.wikimedia.org/wiki/Special:FundraiserRedirector?utm_source=donate&utm_medium=sidebar&utm_campaign=C13_en.wikipedia.org&uselang=en

Answer 9

这个正则表达式可以帮助你，你应该通过\ 1或者你的语言中的任何方法获得第一组。

href="([^"]*)

示例：

<a href="http://www.amghezi.com">amgheziName</a>

结果：

http://www.amghezi.com

Answer 10

你可以使用它。

<a[^>]+href=["'](.*?)["']

正则表达式从HTML链接中提取URL

10 个答案: