Python 使用正则表达式从html中提取facebook页面

我正在尝试使用html上的正则表达式搜索来获取网站facebook页面的地址

通常链接显示为

但有时地址会是

http://www.facebook.com/some.other

有时是数字

目前我的正则表达式是

'(facebook.com)\S\w+'

但它不会抓住最后两个可能性

当我希望正则表达式搜索但不获取它时，它叫什么？（例如，我希望正则表达式与www.facbook.com部分匹配，但结果中不包含该部分，只包含它后面的部分。）

---

注意：我将python与re和urllib2一起使用，如果我假设正确，url总是在双引号中。对吗

re.findall(r'"http://www.facebook.com(.+?)"',url)

总的来说，尝试用正则表达式解析html是个坏主意。我建议您使用类似

lxml.html

的html解析器来查找链接，然后使用

urlparse

>>> from urlparse import urlparse # in 3.x use from urllib.parse import urlparse
>>> url = 'http://www.facebook.com/some.other'
>>> parse_object = urlparse(url)
>>> parse_object.netloc
'facebook.com'
>>> parse_object.path
'/some.other'

---

在我看来，你的主要问题是你对正则表达式理解不够

fb_re = re.compile(r'www.facebook.com([^"]+)')

然后简单地说：

results = fb_re.findall(url)

为什么会这样：

在常规表达式中，括号中的部分是捕获的内容，您将www.facebook.com部分放在括号中，因此它没有得到任何其他内容

这里我使用了一个字符集

[]

来匹配其中的任何内容，我使用

^

操作符来否定它，这意味着不在该集中的任何内容，然后我给它一个

“

字符，因此它将匹配www.facebook.com之后的任何内容，直到它到达

”

，然后停止

注意-这会捕获嵌入的facebook链接，如果facebook链接仅以明文形式存在于页面上，您可以使用：

fb_re = re.compile(r'www.facebook.com(\S+)')

这意味着抓取任何非空白字符，因此一旦用完空白字符，它将停止

如果您担心链接以句点结尾，只需添加：

fb_re = re.compile(r'www.facebook.com(\S+)\.\s')

---

它告诉它搜索上面相同的内容，但是当它到达一个句子的结尾时停止，

后跟空格或enter。这样它仍然会抓取

/some.other

之类的链接，但是当你有

/some.other.

之类的内容时，它会删除最后一个

我会发布这篇文章。不需要转义

“

。因为您正在使用

”

作为字符串屏障。