用于提取URL的Python正则表达式

我正在研究正则表达式，想知道如何从HTML页面提取URL。 我想从这行打印出url：

Website is: http://www.somesite.com 

每次找到该链接时，我只想提取

**网站是：*

---

任何帮助都将不胜感激。

这就足够了，还是您需要更具体一些

In [230]: s = 'Website is: http://www.somesite.com '
In [231]: re.findall('Website is:\s+(\S+)', s)
Out[231]: ['http://www.somesite.com']

---

您可以将每一行与带有捕获组的正则表达式相匹配，如下所示：

for l in page:
    m = re.match("Website is: (.*)")
    if m:
        print m.groups()[0]

这将检查每条线是否与模式匹配，并从中提取链接

有几个陷阱：

这假设“Website is”表达式始终位于行的开头。如果不是，您可以使用

re.search

这假设冒号和网站之间只有一个空格。如果不是这样，您可以将表达式更改为类似

的内容，网址是：\s+（http.*）

---

具体细节将取决于您试图解析的页面。

Regex可能会有点过分，因为它太简单了

def main():
    urls = []
    file = prepare_file("<yourfile>.html")
    for i in file:
         if "www" in i or "http://" in i:
             urls.append(i)
    return urls


def prepare_file(filename):
    file = open(filename)
    a = file.readlines() #splits on new lines
    a = [ i.strip() for i in [ x for x in a ] ] #remove white space
    a = filter(lambda x : x != '', a) #remove empty elements
    return a

def main（）：
URL=[]
文件=准备文件（“.html”）
对于文件中的i：
如果i中的“www”或i中的“http://”：
url.append（i）
返回URL
def准备_文件（文件名）：
文件=打开（文件名）
a=file.readlines（）#在新行上拆分
a=[i.strip（）代表i in[x代表x in a]]#删除空白
a=过滤器（λx:x！=''，a）#移除空元素
归还

据我所读到的，用正则表达式捕捉URL很难

可能使用以下正则表达式模式对您有好处：

pat = 'Website is: (%s)' % fireball

其中fireball是一种捕获URL的模式，您可以在此处找到：

---

这是一个更好的答案，但如果url周围有

/

标记，则会有陷阱。我必须承认，如果是我，我会使用Google上的

url提取

ReExp配方之一。我做了最简单的事情。谢谢。我试过这个，它成功了。多亏了其他人的大量投入：）@sotapme问题在于HTML确实不利于正则表达式的使用。有一些库可以为您解析它，比如BeautifulSoup，这将使处理此问题的错误几率大大降低。虽然我原则上同意使用regexps来摸索HTML通常是个坏主意，但OP在文本外观方面非常具体，因此它实际上只是一个文本块，当然，如果它作为结构化文档跨HTML执行

re

，那么这将是一个坏主意。如果我是OP，我可能会尝试使用HTML并从文档中获取

text（）

，以消除任何标记。