我是Python的新手，正在学习正则表达式，但我需要帮助。
下面是HTML源代码：
<a href="http://www.ptop.se" target="_blank">http://www.ptop.se</a>
我正在尝试编写一个工具，仅打印出 http://ptop.se。请帮我一下吗？
从HTML链接中提取URL的正则表达式
38
- IFake
3
2请使用正则表达式在HTML文本中匹配链接。 - S.Lott
6我已经离开 Stack Overflow 有一段时间了，很高兴看到我没有错过什么，人们仍然每天死活想要用正则表达式解析 HTML。 - bobince
2多次一天，情况非常糟糕，我创建了两个问题和一个表单答案，以便将人们重定向到那里。 - Chas. Owens
10个回答
86
如果你只需要一个：
import re
match = re.search(r'href=[\'"]?([^\'" >]+)', s)
if match:
print(match.group(1))
如果你有一个长字符串，并且想要在其中找到每个匹配的模式：
import re
urls = re.findall(r'href=[\'"]?([^\'" >]+)', s)
print(', '.join(urls))
在这里，s 是你要搜索匹配的字符串。
正则表达式部分的快速解释:
r'...'是一个“原始”字符串。它不需要像普通字符串一样担心转义字符（尤其是\）。在原始字符串中，一个\就是一个\。而在普通字符串中，每次都需要写成\\，这会很困难。"
href=[\'"]?" 表示匹配 "href="，后面可能跟着一个'或"。因为无法确定 HTML 的确切格式，引号不是必需的。接下来的内容用 "
()" 包裹，表示将其作为一个“组”处理，也就是说我们可以将其单独提取出来。这只是一种说“这就是我感兴趣的模式部分”的方法。"
[^\'" >]+" 表示匹配任何不包含'、"、>或空格的字符。本质上，这是 URL 的结尾字符列表。这让我们避免了试图编写可靠匹配完整 URL 的正则表达式，这可能会有些复杂。
另一个答案中使用 BeautifulSoup 的建议不错，但这确实引入了更高级的外部要求。此外，它也不能帮助你实现学习正则表达式的目标，而我会假设这个特定的 HTML 解析项目只是其中一部分。
实现起来非常简单：
from BeautifulSoup import BeautifulSoup
soup = BeautifulSoup(html_to_parse)
for tag in soup.findAll('a', href=True):
print(tag['href'])
无论如何，一旦你安装了BeautifulSoup。
- David
6
4学习正则表达式的一部分是学会何时不使用它们，这是一个你不应该使用它们的情况。 - Chas. Owens
2有些页面格式非常糟糕，即使使用BeautifulSoup也无法找到其中的链接。那么你就必须采取其他方法。 - Petter H
正则表达式的小改进：
re.findall(r'href\s?=\s?[\'"]?([^\'" >]+)', show_notes)，允许等号前后有空格。 - Leon Overweel你确定是“match.group(0)”而不是“match.group(1)”吗？ - pah8J
将
if match:写成if match is not None:是否更有意义，更正确呢？ - blizz@blizz其实并不重要；re.search会返回一个匹配对象或None，而且没有其他可能的假值返回（即我们不需要在这里区分None和False）。因此，
if match:更加简洁明了。 - David13
不要使用正则表达式，使用BeautifulSoup。或者是非常笨拙地将其分离到像w3m/lynx这样的工具中，并拉回w3m/lynx渲染的内容。第一个可能更优雅，第二个在我以前编写的一些未经优化的代码上运行得更快。
- JosefAssad
13
这应该可以工作，虽然可能有更优雅的方法。
import re
url='<a href="http://www.ptop.se" target="_blank">http://www.ptop.se</a>'
r = re.compile('(?<=href=").*?(?=")')
r.findall(url)
- jannis
1
2(?<=href=["']).*?(?=["']) 可以处理单引号的 href。 - Neil
12
约翰·格鲁伯（John Gruber）编写了Markdown，这是由正则表达式构成的，并且在Stack Overflow上使用。他尝试编写了一个用于识别文本中URL的正则表达式：
http://daringfireball.net/2009/11/liberal_regex_for_matching_urls
如果你只想获取URL（即你不需要解析HTML），这可能比HTML解析器更轻量级。
- Paul D. Waite
3
正则表达式在解析HTML方面存在根本性的问题（请参见Can you provide some examples of why it is hard to parse XML and HTML with a regex?）。您需要的是一个HTML解析器。请查看Can you provide an example of parsing HTML with your favorite parser?，以了解使用各种解析器的示例。
特别是您将要查看Python答案：BeautifulSoup，HTMLParser和lxml。
特别是您将要查看Python答案：BeautifulSoup，HTMLParser和lxml。
- Chas. Owens
3
这个正则表达式可以帮助你，你需要通过 \1 或者你语言中的其他方法来获得第一组。
href="([^"]*)
示例：
<a href="http://www.amghezi.com">amgheziName</a>
结果：
http://www.amghezi.com
- Hamedz
1
是的，在regexlib上有很多这样的东西。这只证明了正则表达式不应该用来做那个。使用SGMLParser或BeautifulSoup或编写解析器-但不要使用正则表达式。那些看起来有效的RE非常复杂，仍然不能涵盖所有情况。
- Jarek
1
这种方法使用可选匹配（在
href=之后打印）非常有效，并仅获取链接。 在http://pythex.org/上进行了测试。(?:href=['"])([:/.A-z?<_&\s=>0-9;-]+)
输出:
匹配 1. /wiki/Main_Page
匹配 2. /wiki/Portal:Contents
匹配 3. /wiki/Portal:Featured_content
匹配 4. /wiki/Portal:Current_events
匹配 5. /wiki/Special:Random
匹配 6. //donate.wikimedia.org/wiki/Special:FundraiserRedirector?utm_source=donate&utm_medium=sidebar&utm_campaign=C13_en.wikipedia.org&uselang=en
- Rohit Malgaonkar
1
在Python程序中输入此正则表达式（而非通过您提到的网站），由于使用了文本引号
'或"，将会出现错误。为修复此问题，应在 ' 或 " 前添加一个斜杠 \，使正则表达式变为：regex='(?:href=[\'"])([:/.A-z?<_&\s=>0-9;-]+)'。 - Mohammad ElNesr-1
你可以使用这个。
<a[^>]+href=["'](.*?)["']
- arjan
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接