[英]Python Regular Expression for Extrating URL
我正在研究正则表达式,并想知道如何从HTML页面中提取URL。 我想从这一行打印出网址:
Website is: http://www.somesite.com
每次找到链接时,我想提取**Website is:**
之后的网址是什么**Website is:**
任何帮助将不胜感激。
这是否足够或者您需要更具体吗?
In [230]: s = 'Website is: http://www.somesite.com '
In [231]: re.findall('Website is:\s+(\S+)', s)
Out[231]: ['http://www.somesite.com']
您可以将每一行与正常表达式与捕获组匹配,如下所示:
for l in page:
m = re.match("Website is: (.*)")
if m:
print m.groups()[0]
这将检查每一行是否与模式匹配,并从中提取链接。
一些陷阱:
这假定“网站是”表达始终在行的开头。 如果不是,您可以使用re.search
。
假设冒号和网站之间只有一个空格。 如果不是这样,您可以将表达式更改为Website is:\\s+(http.*)
。
具体细节取决于您尝试解析的页面。
由于它很简单,因此正则表达式可能有点过分。
def main():
urls = []
file = prepare_file("<yourfile>.html")
for i in file:
if "www" in i or "http://" in i:
urls.append(i)
return urls
def prepare_file(filename):
file = open(filename)
a = file.readlines() #splits on new lines
a = [ i.strip() for i in [ x for x in a ] ] #remove white space
a = filter(lambda x : x != '', a) #remove empty elements
return a
根据我所读到的,使用正则表达式捕获URL很难
可能使用以下正则表达式模式对您有好处:
pat = 'Website is: (%s)' % fireball
火球是一种捕捉您在此处可以找到的URL的模式:
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.