Python 如何使用正则表达式获取html # #我正在努力抓取href中的文本 image=str（汤） image\u re=re.compile（'\

Edit）：这使用了BeautifulSoup包，我想我在这个问题的前一个版本中看到了这个包

编辑：更简单的是：

#<link rel='canonical' href='http://www.samplewebsite.com/image/5434553/' />

#I am trying to grab the text in href

image = str(Soup)

image_re = re.compile('\<link rel=\'cononical\' href=')

image_pat = re.findall(image_re, image)

print image_pa

#>> []

#Thanks!

除此之外，您还可以使用：

soup = BeautifulSoup(document)
links = soup.findAll('link', rel='canonical')
for link in links:
    print link['href']

---

使用两个正则表达式：

soup = BeautifulSoup(document)
links = soup("link")
for link in links:
    if "rel" in link and link["rel"] == 'canonical':
        print link["href"]

重新导入
link_tag_re=re.compile（r'（]*>'））
#使用它捕获文本中的所有链接标记。然后，使用以下各项：
href\u capture=re.compile（r'href\s*=\s*（\'[^\']*\'.[124;“[^”]*”）

第一个正则表达式将捕获整个

标记；第二个正则表达式将查找

href=“something”

或

href='something'

---

但是，一般来说，您可能应该使用HTML的XML解析器，即使这个问题是一个非常常见的语言问题。对于这类问题，它们使用起来简单得多，并且不太可能给您带来问题。

您应该使用HTML解析器，例如

lxml.HTML

或

BeautifulSoup

。但是如果您只想要获取单个

链接的
href
，您也可以使用一个简单的正则表达式：

import re
link_tag_re = re.compile(r'(<link[^>]*>')
# capture all link tags in your text with it. Then for each of those, use:
href_capture = re.compile(r'href\s*=\s*(\'[^\']*\'|"[^"]*")')

您最好对数据使用适当的HTML解析器，但如果您真的想走这条路，那么以下几点可以做到：

re.findall(r"href=(['\"])([^\1]*)\1", url)

>>数据=“……”
>>>
>>>重新搜索（“]+？rel='canonical'[^>]+？href=”（[^']+）”，x）。组（1）
'http://www.samplewebsite.com/image/5434553/'
>>>

我还注意到，您的HTML使用单引号而不是双引号。
这将是与您给出的示例HTML匹配的正则表达式：

>>> data = "... <link rel='canonical' href='http://www.samplewebsite.com/image/5434553/' /> ..."
>>>
>>> re.search("<link[^>]+?rel='canonical'[^>]+?href='([^']+)", x).group(1)
'http://www.samplewebsite.com/image/5434553/'
>>>

+1，太酷了。你需要什么库和/或需要导入什么模块才能工作？我不是发布这个问题的人（此外，在我看到的问题版本中，我没有看到任何BeautifulSoup引用）。我可以查找BeautifulSoup，但我认为如果您将其添加到评论或答案中，未来的新手可能会发现更多有用的信息。没有BS引用，Soup可以是具有u str___（）））的类型。但是，是的，应该使用html解析器。抱歉，我以为我看到了原始问题（已编辑）中列出的BeautifulSoup。无论如何，BeautifulSoup库在解析/搜索HTML和XML文档方面非常棒。文档更简单的方法是在BeautifulSoup（doc.findAll（'link'，rel='canonical'）]中使用
result=[tag['href']for标记
intead for/if.BS.findAll（）可以对属性值设置限制。如何使用lxml？
<link rel='canonical' href='(\S+)'