Python正则表达式HTML

Question

我快疯了，希望有人能帮我。你知道吗

我正在尝试正则表达式此url:https://www.reddit.com/r/spacex/？count=50&after=t3\uxxxxxxx，其中x是数字和字母。你知道吗

url来自HTML文件：

https://www.reddit.com/r/spacex/?count=25&after=t3_319905

我试过这个：

re.search(r'(<a href=")(https://www.reddit.com/r/spacex/?count=25.+?)(")', subreddit).group(2)

但我一直得到NoneType对象没有属性group。你知道吗

Answer 1

使用HTML解析器，比如^{}。它提供了一种指定正则表达式以匹配属性值的方法：

soup.find_all('a', href=re.compile("after=t3_\w+"))

工作示例：

import re
from bs4 import BeautifulSoup
import requests

url = "https://www.reddit.com/r/spacex/?count=25&after=t3_319905"
headers = {'User-Agent': 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_10_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2272.118 Safari/537.36'}
response = requests.get(url, headers=headers)

soup = BeautifulSoup(response.content)

print soup.find_all('a', href=re.compile("after=t3_\w+"))

另请参见regex+HTML问题的“必须提供”链接：

• RegEx match open tags except XHTML self-contained tags

Answer 2

?是regex中的一个特殊字符，它使前面的标记成为可选的。您需要在regex中转义?，以便匹配文字?字符。你也需要逃逸点，但不是.+?中的点。你知道吗

re.search(r'(<a href=")(https://www\.reddit\.com/r/spacex/\?count=25.+?)(")', subreddit).group(2)
                                                          ^
                                                          |

这里不需要额外的捕获组。只要一个抓捕小组就够了。你知道吗

re.search(r'<a href="(https://www\.reddit\.com/r/spacex/\?count=25.+?)"', subreddit).group(1)