提取URL'；从XML到Python中的

我读了这篇关于从字符串中提取url的文章。 非常好，我从一个包含

还是这个

re.findall(r'(https?://\S+\Z")', s)

但事实并非如此

有人能帮我一下，告诉我如何省略结尾的双引号吗

---

顺便说一句，https的“s”后面的问号表示“s”可以出现或不能出现。我说的对吗？

您希望双引号显示为前瞻：

re.findall(r'(https?://\S+)(?=\")', s)

这样他们就不会出现在比赛中。另外，是

？

表示该字符是可选的

参见此处示例：

谢谢。我刚读到这个

并且检查了这个，它也在工作

re.findall(r'"(https?://\S+)"', urls) 

---

我曾经通过以下代码从文本中提取URL：

url_rgx = re.compile(ur'(?i)\b((?:https?://|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:\'".,<>?\xab\xbb\u201c\u201d\u2018\u2019]))')
# convert string to lower case
text = text.lower()
matches = re.findall(url_rgx, text)
# patch the 'http://' part if it is missed
urls = ['http://%s'%url[0] if not url[0].startswith('http') else url[0] for url in matches]
print urls

（5）以下以下以下：（：（5）以下以下：（：（5）以下以下：（5）以下：（5）以下以下：（5）以下以下：（：（5）以下：（：（5）以下以下：（5）以下：（5）以下（5）以下（5）代码>url）url）rgx=再。编译（5）再。编译（5）编译（U）的（5）的（5）以下以下（5）以下以下（5）的（5）网址：网址：：：：：（10.0，3）3）3）上述上述上述上述网址（10）的网址（10）url）的网址（10）url）rgx-rgx=10.10.10.10.10.10.10.10.10.10.10.url）的网址（该方方方方方方方方方方方（该该次次次次次次次次次次次次次次次次次次次次次次次（（该方方方方方方方方方）的（10）的主要主要主要主要主要主要的（u201d\u2018\u2019]）） #将字符串转换为小写 text=text.lower（） matches=re.findall（url\u rgx，文本） #如果缺少“http://”部分，请对其进行修补 url=['http://%s'%url[0]，如果不是url[0]。使用（'http'）启动其他url[0]，用于匹配中的url] 打印URL

---

它工作得很好！

您已经在使用字符类（尽管是速记版本）。我可能建议稍微修改字符类，这样您就不需要预先查看。只需将引号作为字符类的一部分添加即可：

re.findall(r'(https?://[^\s"]+)', s)

---

这仍然表示“一个或多个字符不是空白”，但添加了不包含双引号的内容。因此，整体表达式是“一个或多个字符不是空白，也不是双引号”。“

永远不要用正则表达式解析html你也应该阅读线程如果你使用像BeautifulSoup这样的html解析器，这个问题将比使用正则表达式更容易。他并不是真的在解析html。。。他正在从文档中挖掘链接。这是一个完全可以接受的正则表达式用法。是的，我正在解析一个XML，抱歉，但我在这个例子中遇到了与HTMLyes相同的问题，但是如果文本中有一个URL带有其他字符，例如“>asdf”，它将返回：[这是错误的！

url_rgx = re.compile(ur'(?i)\b((?:https?://|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:\'".,<>?\xab\xbb\u201c\u201d\u2018\u2019]))')
# convert string to lower case
text = text.lower()
matches = re.findall(url_rgx, text)
# patch the 'http://' part if it is missed
urls = ['http://%s'%url[0] if not url[0].startswith('http') else url[0] for url in matches]
print urls

re.findall(r'(https?://[^\s"]+)', s)

>>>from lxml import html
>>>ht = html.fromstring(s)
>>>ht.xpath('//a/@href')
['http://www.blabla.com/blah', 'http://www.blabla.com']