在网页上查找Python文件下载链接

Question

我需要一个正则表达式，它可以返回被双引号包含的特定文本块开始，并以指定文件扩展名（如.txt）结尾的文本内容。我使用urllib2获取页面的html（该html非常简单）。

基本上，如果我有像这样的东西

<tr>
  <td valign="top"><img src="/icons/unknown.gif" alt="[   ]"></td>
  <td><a href="Client-8.txt">new_Client-8.txt</a></td>
  <td align="right">27-Jun-2012 18:02  </td>
</tr>

它应该只是返回给我。

Client-8.txt

返回值包含在双引号内。我知道文件名以“Client-”开头，文件扩展名为“.txt”。

我正在使用r.search(regex, string)进行尝试，其中输入的字符串是页面的HTML。但我对正则表达式不熟悉。

谢谢！

- ZacAttack

---

是时候再次分享我在 Stack Overflow 上最喜欢的答案了：https://dev59.com/X3I-5IYBdhLWcg3wq6do#1732454 - Fred Larson

好的，这就结束了。现在来点完全不同的东西吧！谢谢！ - ZacAttack

Answer 1

你不应该使用正则表达式来处理这个任务。使用BeautifulSoup编写一个脚本更容易处理HTML并查找你需要的元素。

在你的情况下，你应该搜索所有以 Client- 开头并且以 .txt 结尾的 <a> 元素。这将给你一个文件列表。

- Simeon Visser

---

我一直避免使用beautifulSoup，因为我只想使用基本的Python包中包含的工具。但由于正则表达式无法胜任任务，我想我不得不硬着头皮去用了。谢谢！ - ZacAttack

您也可以使用Python的HTML解析器（http://docs.python.org/library/htmlparser.html）解析HTML。但是，与使用专门用于抓取网页数据的BeautifulSoup相比，代码会更长。 - Simeon Visser

如果你可以使用外部库并且已经了解 CSS 或 jQuery 选择器，那么 PyQuery 是最佳选项。但是对于这个任务，我会仅使用正则表达式。 - gosom

Answer 2

soup = BeautifulSoup('<tr><td valign="top"><img src="/icons/unknown.gif" alt="[   ]"></td><td><a href="Client-8.txt">new_Client-8.txt</a></td><td align="right">27-Jun-2012 18:02  </td>')
x=soup.findAll('a')
for i in x:
    if '.txt' in i['href']:
        print(i['href'])

- Ashwini Chaudhary