这个正则表达式有什么错

Question

links = re.findall('href="(http(s?)://[^"]+)"',page)

我有一个正则表达式来查找网站中的所有链接，我得到以下结果：

('http://asecuritysite.com', '')
('https://www.sans.org/webcasts/archive/2013', 's')

当我想要的只是这个：

http://asecuritysite.com
https://www.sans.org/webcasts/archive/2013

如果我去掉href后面的"(，它会给我很多错误，有人能解释为什么吗？你知道吗

Answer 1

如果使用多个捕获组，re.findall返回元组列表而不是字符串列表。尝试以下操作（仅使用单个组）：

>>> import re
>>> page = '''
...     <a href="http://asecuritysite.com">here</a>
...     <a href="https://www.sans.org/webcasts/archive/2013">there</a>
...     '''
>>> re.findall(r'href="(https?:\/\/[^"]+)"',page)
['http://asecuritysite.com', 'https://www.sans.org/webcasts/archive/2013']

根据^{} documentation：

If one or more groups are present in the pattern, return a list of groups; this will be a list of tuples if the pattern has more than one group.

Answer 2

尝试摆脱第二组（原始模式中的(s?)）：

links = re.findall('href="(https?:\/\/[^"]+)"',page)

Answer 3

你做错的是试图用Regex解析HTML。先生，这是罪过。你知道吗

See here for the horrors of Regex parsing HTML

另一种方法是使用lxml这样的东西来解析页面并提取链接

urls = html.xpath('//a/@href')