主页 / 问题 / 632835
Accepted
federk
Asked:2020-02-27 01:21:44 +0000 UTC2020-02-27 01:21:44 +0000 UTC

Python，解析文本中URL的正则表达式

  • 772

最简单的正则表达式成功处理纯文本链接：

r'(https?://[\S]+)'

一切都适合它，但有时 html 到达，有必要将链接与标签隔离开来a。如果有类似的东西some text <a href="http://ya.ru">some text进来，结果将是：http://ya.ru>some

这是一个表达式：

r'(https?://[\S]+[>$])'

返回可接受的结果（末尾带有字符的链接>，然后可以简单地将其切断），但不再处理纯文本链接。

在Python中如何将这两个表达式合二为一，使用OR原理，一个一个地得到所有的匹配项？

试过了()|()- 它不起作用。第三方库在这个任务上做得很好，但是需要通过最简单的正则表达式来达到预期的结果。

python

3 个回答

  1. Best Answer

    最简单的：

    (https?://[\w.-]+)

    但它也会寻找无效链接。例如：https://.-ya_.5 如果您确定文本中链接的有效性，那么它是一个非常有效的选项。

    • 1

  2. 这是它应该如何工作，试试看：

    https?://[\S][^>]+
    • 0

  3. 如果你想从 html 中获取链接，那么你应该使用 html 解析器。例如，美丽的汤：

    #!/usr/bin/env python3
import bs4  # $ pip install beautifulsoup4

soup = bs4.BeautifulSoup(html_text, 'html.parser')
all_links = soup.find_all('a', href=True)

    一般来说，正则表达式不适合 html 识别，即使在可以使用正则表达式的情况下，它也可能不是最佳选择。

    • -1

相关问题