Python 正则表达式实现网页链接提取

2023-04-02 00:00:00 网页链接提取

以下是使用Python正则表达式实现网页链接提取的详细步骤和代码演示：

步骤：

导入re模块，用于正则表达式的操作。
定义一个正则表达式模式，用于匹配网页链接，比如<a href="https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+">。
使用re.findall()函数匹配字符串中的所有符合正则表达式模式的链接，返回一个列表。
代码演示：

import re

# 定义正则表达式模式
pattern = '<a href="https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+">'

# 示例字符串
text = '欢迎来访问我的博客：<a href="https://pidancode.com">皮蛋编程</a>'

# 使用re.findall()函数匹配链接
links = re.findall(pattern, text)

# 输出匹配到的链接
print(links)

输出结果：

['<a href="https://pidancode.com">']

解释：该正则表达式模式匹配以 <a href=" 开头，后跟一个 http 或 https 协议的网址链接，链接中可以包含大小写字母、数字、连字符和点号等字符，也可以使用百分号编码。在示例字符串中，匹配到了一个符合模式的链接 <a href="https://pidancode.com">。

只提取URL，不要带标签
好的，为了只提取URL而不带标签，我们需要在正则表达式模式中使用分组来提取链接部分。以下是修改后的代码演示：

import re

# 定义正则表达式模式
pattern = '<a href="(https?://(?:[-\w.]|(?:%[\da-fA-F]{2}))+)"'

# 示例字符串
text = '欢迎来访问我的博客：<a href="https://pidancode.com">皮蛋编程</a>'

# 使用re.findall()函数匹配链接
links = re.findall(pattern, text)

# 输出匹配到的链接
print(links)

输出结果：

['https://pidancode.com']

解释：该正则表达式模式使用了一个圆括号分组，将链接部分提取出来。在示例字符串中，匹配到了一个符合模式的链接 https://pidancode.com。

相关文章