从 URL、RE、python 中提取 Amzon ASIN

Posted

技术标签:

【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//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)

以上是关于从 URL、RE、python 中提取 Amzon ASIN的主要内容,如果未能解决你的问题,请参考以下文章

使用 RE - Python 从字符串中提取不同格式的街道地址

从URL中提取值字符串

Python:隔离研究结果

python 从URL中提取XML

请问如何使用python的正则表达式提取url链接?

如何从python中的URL中提取特征?