从 URL、RE、python 中提取 Amzon ASIN

Posted 2023-02-23

【中文标题】从 URL、RE、python 中提取 Amzon ASIN

【英文标题】：Extract Amzon ASIN from URL, RE, python

【发布时间】：2020-05-08 11:10:55

【问题描述】：

我有一个包含指向亚马逊产品链接的大量 url 列表，这些 url 中包含我需要的信息，称为 ASIN 号。

我知道提取该信息的最佳方法之一是通过正则表达式，我在网址中发现了一种可以提供帮助的模式

1-https://www.amazon.com/adidas-Melange-Performance-T-Shirt-Charcoal/dp/B07P4LVZNL/ref=sr_1_fkmr1_2?dchild=1&keywords=Adidas+M%C3%A8lange+Tech+T-Shirt+A372&qid=1579685244&sr=8-2-fkmr1

2-https://www.amazon.com/adidas-Originals-Solid-Melange-Purple/dp/B07DXPN7TK/ref=sr_1_fkmr2_1?dchild=1&keywords=Adidas+M%C3%A8lange+Tech+T-Shirt+A372&qid=1579685244&sr=8-1-fkmr2

3-https://www.amazon.com/adidas-Game-Mode-Polo-Multi-Sport/gp/B07R23QGH6/ref=sr_1_fkmr2_2?dchild=1&keywords=Adidas+M%C3%A8lange+Tech+T-Shirt+A372&qid=1579685244&sr=8-2-fkmr2

各自的 ASIN 编号是：

1- B07P4LVZNL，位于：dp/B07P4LVZNL/ref=sr_1_f

2- B07DXPN7TK，位于：dp/B07DXPN7TK/ref=sr_1_fkmr2_

3- B07R23QGH6，位于：gp/B07R23QGH6/ref=sr_1_fkmr2_

我试过这段代码：

asin = re.match("http[s]?://www.amazon.com(\w+)(.*)/(dp|gp/product)/(?P<asin>\w+).*", href, flags=re.IGNORECASE)

href 是我存储 url 的变量

但是好吧...效果不太好，这是我得到的结果类型：

<re.Match object; span=(0, 175), match='https://www.amazon.com/adidas-Originals-Solid-Mel>
<re.Match object; span=(0, 171), match='https://www.amazon.com/adidas-Game-Mode-Polo-Mult>
<re.Match object; span=(0, 167), match='https://www.amazon.com/adidas-Tech-Tee-Black-X-La>

感谢您的帮助

【问题讨论】：

如果你使用你提供的代码，will be no matches

也许您只需要re.findall(r'/[dg]p/([^/]+)', text)？

【参考方案1】：

我建议使用

/[dg]p/([^/]+)

它匹配/dp/ 或/gp/，然后将/ 以外的任何一个或多个字符捕获到第1 组。

请参阅regex demo。在Python:

asin = re.search(r'/[dg]p/([^/]+)', href, flags=re.IGNORECASE)
if asin:
  print(asin.group(1))

【讨论】：

这个很不错！为我工作。我只是改变了一点细节来恢复它：asin = re.search(r'/[dg]p/([^/]+)', href, flags=re.IGNORECASE).group(1)