使用Python从标记中提取URL和锚文本

我正在尝试从标记中提取锚文本和相关URL。我看到了这个问题。不幸的是，这个问题似乎没有完全回答我的问题

在标记中，有两种插入链接的方法：

例1： 例2：

---

我的脚本如下所示（请注意，我正在使用，而不是重新使用）：

我的预期产出是：

('inline link', 'http://google.com')
('non inline link', 'http://yahoo.com')

---

如何从标记中正确捕获锚文本

如何从标记中正确捕获锚文本

将其解析为结构化格式（例如html），然后使用适当的工具提取链接标签和地址

import markdown
from lxml import etree

body_markdown = "This is an [inline link](http://google.com). This is a [non inline link][1]\r\n\r\n  [1]: http://yahoo.com"

doc = etree.fromstring(markdown.markdown(body_markdown))
for link in doc.xpath('//a'):
  print link.text, link.get('href')

这让我感到：

inline link http://google.com
non inline link http://yahoo.com

---

另一种选择是编写您自己的标记解析器，这似乎是一个不适合集中精力的地方。

您可以通过几个简单的

re

模式来完成：

import re

INLINE_LINK_RE = re.compile(r'\[([^\]]+)\]\(([^)]+)\)')
FOOTNOTE_LINK_TEXT_RE = re.compile(r'\[([^\]]+)\]\[(\d+)\]')
FOOTNOTE_LINK_URL_RE = re.compile(r'\[(\d+)\]:\s+(\S+)')


def find_md_links(md):
    """ Return dict of links in markdown """

    links = dict(INLINE_LINK_RE.findall(md))
    footnote_links = dict(FOOTNOTE_LINK_TEXT_RE.findall(md))
    footnote_urls = dict(FOOTNOTE_LINK_URL_RE.findall(md))

    for key, value in footnote_links.iteritems():
        footnote_links[key] = footnote_urls[value]
    links.update(footnote_links)

    return links

然后你可以像这样使用它：

>>> body_markdown = """
... This is an [inline link](http://google.com).
... This is a [footnote link][1].
...
... [1]: http://yahoo.com
... """
>>> links = find_md_links(body_markdown)
>>> links
{'footnote link': 'http://yahoo.com', 'inline link': 'http://google.com'}
>>> links.values()
['http://yahoo.com', 'http://google.com']

---

修改@mreinhardsolution以返回所有对的列表（而不是dict）

（文本，链接）

：

我在python3中测试，链接如下：

[h](http://google.com) and [h](https://goog.e.com)

---

对于常见的标记结构，例如

这是一个[footnote link][]，这将失败。\n\n[footnote link]：http://google.com/“

很有趣，谢谢@larsks指出这一点，因为在最初的问题陈述中没有说明这一点。这很容易修复，但是如果有很多特殊情况（我不太了解markdown），那么使用合适的解析器确实会更好。如果这个简单的任务是他唯一需要做的事情，那么使用它似乎会有很大的开销。它失败于

body_markdown=“””这是[foo](http://hola.com).和[bla]（#hols）。[foo](http://hoo)“

。结果只有最后的

foo

：

链接{'foo'：'http://hoo“，”bla:“#hols”}

。也许把dict改成list可以解决这个问题？@mreinhardt你能帮我吗。我认为您的解决方案可以很容易地修改，以适合我的使用re模块。提前谢谢。

inline link http://google.com
non inline link http://yahoo.com

import re

INLINE_LINK_RE = re.compile(r'\[([^\]]+)\]\(([^)]+)\)')
FOOTNOTE_LINK_TEXT_RE = re.compile(r'\[([^\]]+)\]\[(\d+)\]')
FOOTNOTE_LINK_URL_RE = re.compile(r'\[(\d+)\]:\s+(\S+)')


def find_md_links(md):
    """ Return dict of links in markdown """

    links = dict(INLINE_LINK_RE.findall(md))
    footnote_links = dict(FOOTNOTE_LINK_TEXT_RE.findall(md))
    footnote_urls = dict(FOOTNOTE_LINK_URL_RE.findall(md))

    for key, value in footnote_links.iteritems():
        footnote_links[key] = footnote_urls[value]
    links.update(footnote_links)

    return links

>>> body_markdown = """
... This is an [inline link](http://google.com).
... This is a [footnote link][1].
...
... [1]: http://yahoo.com
... """
>>> links = find_md_links(body_markdown)
>>> links
{'footnote link': 'http://yahoo.com', 'inline link': 'http://google.com'}
>>> links.values()
['http://yahoo.com', 'http://google.com']

import re
    
INLINE_LINK_RE = re.compile(r'\[([^\]]+)\]\(([^)]+)\)')
FOOTNOTE_LINK_TEXT_RE = re.compile(r'\[([^\]]+)\]\[(\d+)\]')
FOOTNOTE_LINK_URL_RE = re.compile(r'\[(\d+)\]:\s+(\S+)')


def find_md_links(md):
    """ Return dict of links in markdown """

    links = list(INLINE_LINK_RE.findall(md))
    footnote_links = dict(FOOTNOTE_LINK_TEXT_RE.findall(md))
    footnote_urls = dict(FOOTNOTE_LINK_URL_RE.findall(md))

    for key in footnote_links.keys():
        links.append((footnote_links[key], footnote_urls[footnote_links[key]]))

    return links
    

[h](http://google.com) and [h](https://goog.e.com)