使用Python从特定的超引用中提取特定的子字符串

Question

我是Python的新手，在我第二次尝试一个项目时，我想从url上的超引用中提取一个子字符串，特别是一个标识号。你知道吗

例如，this url是我的搜索查询的结果，给出了超引用http://www.chessgames.com/perl/chessgame?gid=1012809。从这里我想提取识别号“1012809”，并将其附加到urlhttp://www.chessgames.com/perl/chessgame?gid=1012809，然后我计划在urlhttp://www.chessgames.com/pgn/alekhine_naegeli_1932.pgn?gid=1012809处下载文件。但我目前还落后于此几步，因为我想不出提取标识符的方法。你知道吗

这是我的MWE：

from bs4 import BeautifulSoup
url = 'http://www.chessgames.com/perl/chess.pl?yearcomp=exactly&year=1932&playercomp=white&pid=&player=Alekhine&pid2=&player2=Naegeli&movescomp=exactly&moves=&opening=&eco=&result=1%2F2-1%2F2'
page = urllib2.urlopen(url)
soup = BeautifulSoup(page, 'html.parser')
import re
y = str(soup)
x = re.findall("gid=[0-9]+",y)
print x
z = re.sub("gid=", "", x(1))  #At this point, things have completely broken down...

Answer 1

你根本不需要正则表达式。Css选择器和字符串操作将引导您走向正确的方向。请尝试以下脚本：

import requests
from bs4 import BeautifulSoup

page_link = 'http://www.chessgames.com/perl/chess.pl?yearcomp=exactly&year=1932&playercomp=white&pid=&player=Alekhine&pid2=&player2=Naegeli&movescomp=exactly&moves=&opening=&eco=&result=1%2F2-1%2F2'
soup = BeautifulSoup(requests.get(page_link).text, 'lxml')
item_num = soup.select_one("[href*='gid=']")['href'].split("gid=")[1]
print(item_num)

输出：

1012809

Answer 2

正如Albin Paul评论的那样，re.findall返回一个列表，您需要从中提取元素。顺便说一下，这里不需要BeautifulSoup，使用urllib2.urlopen(url).read()来获取内容的字符串，这里也不需要re.sub，一个regex模式(?:gid=)([0-9]+)就足够了。你知道吗

import re
import urllib2
url = 'http://www.chessgames.com/perl/chess.pl?yearcomp=exactly&year=1932&playercomp=white&pid=&player=Alekhine&pid2=&player2=Naegeli&movescomp=exactly&moves=&opening=&eco=&result=1%2F2-1%2F2'

page = urllib2.urlopen(url).read()

result = re.findall(r"(?:gid=)([0-9]+)",page)

print(result[0])
#'1012809'