Python 正则表达式问题需要匹配url的一部分

我正在用python搜索html页面

我需要在页面中找到一些东西，所有链接都有一种匹配，然后返回一个洞url

我的链接可以查看此链接

href=”http://example.com/page/subpage/unik-id-12345“

我正试图编写一个小正则表达式来获取样本

href\=\"(.*)\">

问题是它把所有东西都放在了里面，我找不到如何在href标签中只搜索一些东西

希望您理解并帮助我解决此问题

我想要它搜索什么，例如

example.com/page

import re
s = 'href="http://example.com/page/subpage/unik-id-12345">'
res = re.search('href=\"(.+?)\">', s).group(1)
print(res)
# Output: http://example.com/page/subpage/unik-id-12345

顺便说一句，最好使用特定的库，比如lxml，来进行html解析

import re
regex = re.compile('<href="(.*)">')
url = '<href="https://stackoverflow.com/">'
m = regex.search(url)

顺便说一句，最好使用特定的库，比如lxml，来进行html解析。

import-re
import re
regex = re.compile('<href="(.*)">')
url = '<href="https://stackoverflow.com/">'
m = regex.search(url)

regex=re.compile（“”）
url=“”
m=regex.search（url）

然后你就可以得到小组了

>>> m.group(0)
'<href="https://stackoverflow.com/">'
>>> m.group(1)
'https://stackoverflow.com/'

>m.group（0）
''
>>>m组（1）
'https://stackoverflow.com/'

PS：如果你想做网页抓取，那么使用专门为此设计的库会更容易，比如

beautifulsoup

。您可以在web上轻松找到如何使用它。

import re
regex=re.compile（“”）
url=“”
m=regex.search（url）

然后你就可以得到小组了

>>> m.group(0)
'<href="https://stackoverflow.com/">'
>>> m.group(1)
'https://stackoverflow.com/'

>m.group（0）
''
>>>m组（1）
'https://stackoverflow.com/'

---

PS：如果你想做网页抓取，那么使用专门为此设计的库会更容易，比如

beautifulsoup

。你可以在网上轻松找到如何使用它。

你知道regex101.com吗？这是一个调整正则表达式的好工具

如果我正确理解您的问题，那么您正在匹配

href=”http://example.com/page/subpage/unik-id-12345“>

，您只想获得

http://example.com/page/subpage/unik-id-12345

一种方法是只获取http（s）：//，然后是任何非引号的内容：

http（s？）：\/\/[^”]*

如果您有多个链接，并且只需要href标记中的链接，那么您可能只需要使用正则表达式，然后使用更多操作来提取url。（例如，

match.split（\）[1]

）

---

或者您可以使用类似BeautifulSoup的HTML解析器，您知道regex101.com吗？这是一个调整正则表达式的好工具

如果我正确理解您的问题，那么您正在匹配

href=”http://example.com/page/subpage/unik-id-12345“>

，您只想获得

http://example.com/page/subpage/unik-id-12345

一种方法是只获取http（s）：//，然后是任何非引号的内容：

http（s？）：\/\/[^”]*

如果您有多个链接，并且只需要href标记中的链接，那么您可能只需要使用正则表达式，然后使用更多操作来提取url。（例如，

match.split（\）[1]

）

---

或者您可以只使用类似BeautifulSoup的HTML解析器

两件事：1）您不应该使用正则表达式来解析HTML。这是

BeautifulSoup

或其他HTML/XML解析器的工作。2） 您使用什么方法访问所需的组<代码>重新匹配（r'href\=\'（.*）\'，href='http://example.com/page/subpage/unik-id-12345）组（1）工作正常。问题是默认情况下正则表达式量词是贪婪的，所以“*”意味着尽可能多地匹配（这通常会在您想要的地方读取）。诀窍是使量词变懒，这样它只读取所需的量，而不读取更多。可能重复两件事：1）不应该使用正则表达式解析HTML。这是

BeautifulSoup

或其他HTML/XML解析器的工作。2） 您使用什么方法访问所需的组<代码>重新匹配（r'href\=\'（.*）\'，href='http://example.com/page/subpage/unik-id-12345）组（1）工作正常。问题是默认情况下正则表达式量词是贪婪的，所以“*”意味着尽可能多地匹配（这通常会在您想要的地方读取）。诀窍是使量词变懒，因此它只读取所需的量，而不读取更多。可能的重复不应该是

？否则它将匹配到string@eddy_hunter如果您没有在正则表达式中指定，或者在同一个字符串上有多个

“>

，那么这是有意义的。最好使用

[^”]

这会使它更具体。这不应该是

？否则它将匹配到string@eddy_hunter如果您没有在正则表达式中指定，或者您有多个

“>

在你反对的同一个字符串上，这是有意义的。最好使用

[^”]

这将使它更加具体。