Question

以下正则表达式用于从页面中提取URL链接：

LINK_REGEX = re.compile("<a [^>]*href=['\"]([^'\"]+)['\"][^>]*>")

问题1 ＆GT;如何表示以下字符串？我在目的上与'和'不匹配

<a href="http://www.yahoo.com'>

我已经尝试过以下陈述，但没有一个适合我。

>>> page = '<a href="http://www.yahoo.com\'>'
>>> page
'<a href="http://www.yahoo.com\'>'
>>> page = '<a href="http://www.yahoo.com''>'
>>> page
'<a href="http://www.yahoo.com>'

问题2 ＆GT;根据我的理解，按照设计，LINK_REGEX将匹配上述链接，尽管这是不可取的。那么如何修改正则表达式以便强制匹配'with'或“with”。

Answer 1

对于问题1，您的第一种方法有效。

>>> page = '<a href="http://www.yahoo.com\'>'
>>> len(page)
31
>>> page
'<a href="http://www.yahoo.com\'>'
>>> page[-1]
'>'
>>> page[-2]
"'"
>>> page[-3]
'm'

Answer 2

（如果我有这个特权，我会把它发表评论。）

如果您正在尝试解析HTML，强烈建议您不要使用正则表达式。如果您使用像BeautifulSoup或lxml.html这样的HTML解析模块，那么您将节省很多麻烦和问题。

其次，几乎每次使用正则表达式时，请确保将r添加到字符串中，如下所示：

LINK_REGEX = re.compile(r"<a [^>]*href=['\"]([^'\"]+)['\"][^>]*>")

这将确保正确转义。

如果你肯定需要使用正则表达式，“9000”的答案对你有用。

Answer 3

['"]将匹配'或"。

(['"]).+\1会将带引号的字符串与匹配引号匹配。 parens（匹配组）中的表达式将匹配单引号或双引号，\1将匹配第一个匹配组匹配的内容（这称为'反引用'）。

注意，引号不在表达式中以任何方式进行转义，以使其更具可读性。你的正则表达式字符串可能需要至少转义一种引号。

Answer 4

使用两个正则表达式：

<a\s*[^>]*href="([^"]+)"[^>]*>  # double quoted strings
<a\s*[^>]*href='([^']+)'[^>]*>  # single quoted strings

href的内容将出现在第二组中。

如何在正则表达式中匹配'或'与'或'

4 个答案: