Python 使用正则表达式改进html代码中的过滤器链接
我的项目的目的是Python 使用正则表达式改进html代码中的过滤器链接,python,regex,Python,Regex,我的项目的目的是webscrapa搜索引擎(我选择了DuckDuckGo)。要获取第一页上的所有链接,然后输入其中的每个链接,请获取HTML源代码并执行正则表达式,该表达式将过滤HTML代码中的所有.onion网站 从这里开始,我假设我们已经在网页上搜索引擎,并在第一页中找到了所有的网站(我在DuckDuckGo上的搜索词是:dark web“.onion”) 从这里开始,代码就是这样运行的(我将在代码注释中详细说明事情): 所以我的代码工作得很好。但有一个简单的问题。正则表达式没有正确过滤所有
webscrap
a搜索引擎(我选择了DuckDuckGo
)。要获取第一页上的所有链接,然后输入其中的每个链接,请获取HTML
源代码并执行正则表达式,该表达式将过滤HTML代码中的所有.onion
网站
从这里开始,我假设我们已经在网页上搜索引擎,并在第一页中找到了所有的网站(我在DuckDuckGo上的搜索词是:dark web“.onion”)
从这里开始,代码就是这样运行的(我将在代码注释中详细说明事情):
所以我的代码工作得很好。但有一个简单的问题。正则表达式没有正确过滤所有内容。一些HTML代码嵌套在my.onion网站中。而且,我经常在输出中单独获得.onion
以下是输出的示例:
href="http://jv7aqstbyhd5hqki.onion
class="external_link">http://jv7aqstbyhd5hqki.onion
href="http://xdagknwjc7aaytzh.onion
data-qt-tooltip="xdagknwjc7aaytzh.onion
">http://xdagknwjc7aaytzh.onion
href="http://sbforumaz7v3v6my.onion
class="external_link">http://sbforumaz7v3v6my.onion
href="http://kpmp444tubeirwan.onion
class="external_link">http://kpmp444tubeirwan.onion
href="http://r5c2ch4h5rogigqi.onion
class="external_link">http://r5c2ch4h5rogigqi.onion
href="http://hbjw7wjeoltskhol.onion
class="external_link">http://hbjw7wjeoltskhol.onion
href="http://khqtqnhwvd476kez.onion
class="external_link">http://khqtqnhwvd476kez.onion
href="http://jahfuffnfmytotlv.onion
class="external_link">http://jahfuffnfmytotlv.onion
href="http://ocu3errhpxppmwpr.onion
class="external_link">http://ocu3errhpxppmwpr.onion
href="http://germanyhusicaysx.onion
data-qt-tooltip="germanyhusicaysx.onion
">http://germanyhusicaysx.onion
href="http://qm3monarchzifkwa.onion
class="external_link">http://qm3monarchzifkwa.onion
href="http://qm3monarchzifkwa.onion
class="external_link">http://qm3monarchzifkwa.onion
href="http://spofoh4ucwlc7zr6.onion
data-qt-tooltip="spofoh4ucwlc7zr6.onion
">http://spofoh4ucwlc7zr6.onion
href="http://nifgk5szbodg7qbo.onion
class="external_link">http://nifgk5szbodg7qbo.onion
href="http://t4is3dhdc2jd4yhw.onion
class="external_link">http://t4is3dhdc2jd4yhw.onion
我想知道如何改进此regex
,以便获得正确格式的.onion
链接 \S*?
的URL匹配模式太松散。它将匹配尽可能少的非空白字符以满足模式,模式包括
要了解URL中哪些字符有效,请参阅以下答案:
您可能可以通过类似于
[^\s]
而不是\s
的方式逃脱惩罚[^\s]
将匹配任何非空白或大括号字符,而不是匹配任何非空白字符。您可以使用此正则表达式。它与.onion它在源html上工作,获取/测试任何标记的href属性 您不需要使用正则表达式选项,因为它们包含在内联中。
您需要的是
捕获组3
r“(?si)\”]|\“[^\”]*\“[^']*\”)*?(?]*?)+
>
谢谢你的建议!我尝试用[^\S]
替换\S
,并删除了一些不需要的部分。但大部分仍然存在,如href=”http://lw4ipk5choakk5ze.onion
我也得到了很多.onion/.onion
甚至像16这样的东西。http://nr6juudpp4as4gjg.onion
我将寻找更好的解决方法。感谢您提供的链接!
href="http://jv7aqstbyhd5hqki.onion
class="external_link">http://jv7aqstbyhd5hqki.onion
href="http://xdagknwjc7aaytzh.onion
data-qt-tooltip="xdagknwjc7aaytzh.onion
">http://xdagknwjc7aaytzh.onion
href="http://sbforumaz7v3v6my.onion
class="external_link">http://sbforumaz7v3v6my.onion
href="http://kpmp444tubeirwan.onion
class="external_link">http://kpmp444tubeirwan.onion
href="http://r5c2ch4h5rogigqi.onion
class="external_link">http://r5c2ch4h5rogigqi.onion
href="http://hbjw7wjeoltskhol.onion
class="external_link">http://hbjw7wjeoltskhol.onion
href="http://khqtqnhwvd476kez.onion
class="external_link">http://khqtqnhwvd476kez.onion
href="http://jahfuffnfmytotlv.onion
class="external_link">http://jahfuffnfmytotlv.onion
href="http://ocu3errhpxppmwpr.onion
class="external_link">http://ocu3errhpxppmwpr.onion
href="http://germanyhusicaysx.onion
data-qt-tooltip="germanyhusicaysx.onion
">http://germanyhusicaysx.onion
href="http://qm3monarchzifkwa.onion
class="external_link">http://qm3monarchzifkwa.onion
href="http://qm3monarchzifkwa.onion
class="external_link">http://qm3monarchzifkwa.onion
href="http://spofoh4ucwlc7zr6.onion
data-qt-tooltip="spofoh4ucwlc7zr6.onion
">http://spofoh4ucwlc7zr6.onion
href="http://nifgk5szbodg7qbo.onion
class="external_link">http://nifgk5szbodg7qbo.onion
href="http://t4is3dhdc2jd4yhw.onion
class="external_link">http://t4is3dhdc2jd4yhw.onion
r"(?si)<[\w:]+(?=(?:[^>\"']|\"[^\"]*\"|'[^']*')*?(?<=\s)href\s*=\s*(?:(['\"])\s*(((?!mailto:)(?:(?:https?|ftp)://)?(?:(?:(?!\1)\S)+(?::(?:(?!\1)\S)*)?@)?(?:(?:[a-z\u00a1-\uffff0-9]-?)*[a-z\u00a1-\uffff0-9]+)(?:\.(?:[a-z\u00a1-\uffff0-9]-?)*[a-z\u00a1-\uffff0-9]+)*?\.onion\b)(?:(?!\1).)*?)\s*\1))\s+(?:\".*?\"|'.*?'|[^>]*?)+>"
(?si) # Dot-all and case insensitive modifiers
< [\w:]+ # Any tag
(?=
(?: [^>"'] | " [^"]* " | ' [^']* ' )*?
(?<= \s )
href \s* = \s* # href attribute
(?:
( ['"] ) # (1)
\s*
( # (2 start), Full url
( # (3 start), The url up to '.onion'
(?! mailto: )
(?:
(?: https? | ftp )
://
)?
(?:
(?:
(?! \1 )
\S
)+
(?:
:
(?:
(?! \1 )
\S
)*
)?
@
)?
(?:
(?: [a-z\u00a1-\uffff0-9] -? )*
[a-z\u00a1-\uffff0-9]+
)
(?:
\.
(?: [a-z\u00a1-\uffff0-9] -? )*
[a-z\u00a1-\uffff0-9]+
)*?
\.onion \b
) # (3 end)
(?: # Parameters
(?! \1 )
.
)*?
) # (2 end)
\s* \1
)
)
\s+
(?: " .*? " | ' .*? ' | [^>]*? )+
>