使用Python re查找包含x的URL。

Question

使用python 2.7.3、urllib和re，我正在查找包含以下内容的URL：

href="/dirone/Dir_Two/dirthree/"

url可能位于的位置，例如：

href="/dirone/Dir_Two/dirthree/5678-random-stuff-here-letters-and-numbers"

我想回来：

"/dirone/Dir_Two/dirthree/5678-random-stuff-here-letters-and-numbers"

使用此工具：

http://www.jslab.dk/tools.regex.php

我生成的正则表达式是：

/^href\="\/dirone\/Dir_Two\/dirthree\/"$/im

因此，这个正则表达式是否可以按以下方式与python和re一起使用：

object_name = re.findall('/^href\="\/dirone\/Dir_Two\/dirthree\/"$/im',url)
for single_url in object_name:
    do something

Answer 1

你真的想放弃^锚；我怀疑href永远不会在一行的开头。你知道吗

您不需要/im部分，它们应该被re.标志常量替换。这里有Perl正则表达式语法，Python没有专门的/.../flags语法。你知道吗

因此，有太多的转义，没有实际的Python字符串。实际上你并没有包括5678-random-stuff-here-letters-and-numbers部分。你知道吗

改用这个：

object_name = re.findall(r'href="(/dirone/Dir_Two\/dirthree/[^"/]*)"', url, re.I)

我删除了多行标志，因为删除了^的字符串的开头不再匹配。我在路径周围添加了一个组（(...)），以便findall()返回这些，而不是整个匹配。[^"/]*部分匹配任何字符，而不是用来捕获文件名部分而不是另一个目录名的引号或斜杠。你知道吗

简短演示：

>>> import re
>>> example = '<a href="/dirone/Dir_Two/dirthree/5678-random-stuff-here-letters-and-numbers">'
>>> re.findall(r'href="(/dirone/Dir_Two\/dirthree/[^"/]*)"', example, re.I)
['/dirone/Dir_Two/dirthree/5678-random-stuff-here-letters-and-numbers']

Answer 2

与Martijn的答案类似，但使用beautifulsoup的前提是您拥有HTML。你知道吗

data = '<a href="/dirone/Dir_Two/dirthree/5678-random-stuff-here-letters-and-numbers">Content</a>'

from bs4 import BeautifulSoup
import re

soup = BeautifulSoup(data)
print [el['href'] for el in soup('a', href=re.compile('^/dirone/Dir_Two/.*'))]