Python 用于解析HTML IMG的Regexp

我正在浏览一个HTML页面，我想提取img SRC和a HREF

在特定的站点上，它们都封装在双引号中

我尝试了各种各样的regexp，但都没有成功。假设双引号内的字符将是[-\w/]个可打印字符[a-zA-Z\d-\]和/和

在python中：

re.search(r'img\s+src="(?P<src>[\w-/]+_"', line)

将Way返回到多，即，不停在

我需要帮助创建正确的regexp。提前谢谢

我需要帮助创建正确的regexp

不，您需要帮助找到正确的工具

试试看

---

如果你坚持使用正则表达式——我建议你不要这样做——试着将贪婪+改为非贪婪+？。

这是一个在引号内查找内容的好方法[^]+。因此，您可以搜索除引号之间的引号以外的任何字符

---

要获得创建正则表达式的帮助，我强烈推荐Expresso，这里有一个比使用正则表达式更好的示例，使用优秀的库和

---

强制性：是的，不能用正则表达式解析html，但你可以在其中找到某些东西，以及快速脚本等。它可能是正确的工具。@Daenyth，是的，我知道。我已经指导过很多人学习常规语法和上下文无关语法的泵引理。我试图找到的regexp只是标记中的一个字段，它肯定是正则的。@B.VB:不管怎样，不使用regex要容易得多。请看我的答案。@B.VB.，不，因为这可能在注释->中。或块中的字符串。或者任何其他一些正则表达式无法处理的奇怪和意外情况。

re.search(r'img\s+src="(?P[-\w[/]]+)"', line)

In [1]: import lxml.html
In [2]: doc = lxml.html.parse('http://www.google.com/search?q=kittens&tbm=isch')
In [3]: doc.xpath('//img/@src')
Out[3]: 
['/images/nav_logo_hp2.png',
 'http://t1.gstatic.com/images?q=tbn:ANd9GcQhajNZimPGLw9iTfzrAF_HV5UogY-KGep5WYgw-VHZ15oaAwGquNb5Q2I',
 'http://t2.gstatic.com/images?q=tbn:ANd9GcS1LgVIlDgoIfNzwU4xBz9fL32ZJjZU26aB4aynRsEcz2VuXmjCtvxUonM',
 'http://t1.gstatic.com/images?q=tbn:ANd9GcRgouJt5Moe8uTnDPUFTo4csZOcBtEDA_B7WdRPe8pdZroR5QB2q_-LT59G',
 [...]
]