使用 Beautiful Soup 提取链接的等效正则表达式

Posted 2023-02-23

【中文标题】使用 Beautiful Soup 提取链接的等效正则表达式

【英文标题】：Equivalent regular expression to extract link using Beautiful Soup

【发布时间】：2019-08-28 23:37:12

【问题描述】：

我正在尝试通过 python 随机探索 Webscraping。我有 google 搜索结果页面的链接。我使用 url lib 来提取 GOOGLE 搜索结果页面中存在的所有链接。从谷歌的解析页面中，我在 Beautiful Soup 库的帮助下提取所有可能的锚标签。所以现在我有很多链接。在那些我想选择与我所需模式匹配的选定链接中。 示例我想选择所有这些行： 这是被解析的众多链接之一。但我想缩小这样的链接的结果

/url?q=http://avadl.uploadt.com/DL4/Film/&sa=U&ved=0ahUKEwiYwOKe1r7hAhWUf30KHcHUBkMQFggUMAA&usg=AOvVaw39cIJ0T8_CAQMY8EkSWZJl

在这些精选中，我只需要提取这部分

http://avadl.uploadt.com/DL4/Film/

我试过这个和这个

possible_websites.append(re.findall('/url?q=(\S+)',links))
possible_websites.append(re.findall('/url?q=(\S+^&)',links))

这是我的代码

soup = BeautifulSoup(webpage, 'html.parser')
tags = soup('a')
possible_websites=[]
for tag in tags:
    links = tag.get('href', None)
    possible_websites.append(re.findall('/url?q=(\S+)',links))

我想使用正则表达式来提取所需的文本部分。我正在使用 Beautiful soup 模块来提取 HTML 数据。简而言之，这是一个正则表达式问题。

【问题讨论】：

你有什么问题？

如何通过正则表达式从/url获取avadl.uploadt.com/DL4/Film？q=avadl.uploadt.com/DL4/Film/…

请仔细阅读问题以便理解

URL query parameters to dict python的可能重复

【参考方案1】：

这不是正则表达式，但我会使用urllib：

from urllib.parse import parse_qs, urlparse

url = urlparse('/url?q=http://avadl.uploadt.com/DL4/Film/&sa=U&ved=0ahUKEwiYwOKe1r7hAhWUf30KHcHUBkMQFggUMAA&usg=AOvVaw39cIJ0T8_CAQMY8EkSWZJl')
qs = parse_qs(url.query)

print(qs['q'][0])

【讨论】：

您可能没有阅读问题。我已经解析了我的链接。这就是我获得此链接的方式

@EXODIA：您解析了 HTML 以获取 URL。这会解析 URL 以获取 q 参数的值。尝试运行它。

@QHarr：我贴错了，抱歉。应该是qs['q']，而不是qs.q。

【参考方案2】：

如果您确实需要正则表达式，请使用q=(.*/)&，否则请使用Ry-'s answer，即：

import re
u = "/url?q=http://avadl.uploadt.com/DL4/Film/&sa=U&ved=0ahUKEwiYwOKe1r7hAhWUf30KHcHUBkMQFggUMAA&usg=AOvVaw39cIJ0T8_CAQMY8EkSWZJl"
m = re.findall("q=(.*/)&", u)
if m:
    print(m[0])
    # http://avadl.uploadt.com/DL4/Film/

Demo

【讨论】：

是的，它的工作原理，我明白如何，但你能告诉可能的问题。append(re.findall('/url?q=(\S+^&)',links))

或 possible_websites.append(re.findall('/url?q=(\S+)',links))

? 是正则表达式中的特殊字符。如果你想要一个文字问号，你需要转义它，就像这样：\?。同样re.findall 将单个字符串作为其第二个参数，而不是字符串列表。