Question

我試圖從下面的字符串中提取http://xyz.com/5鏈接。你可以看到只有那個我們有class="next"屬性。所以我試圖根據這個屬性來獲取它。

<a href='http://xyz.com/1' class='page larger'>2</a> 
<a href='http://xyz.com/2' class='page larger'>3</a> 
<a href='http://xyz.com/3' class='page larger'>4</a> 
<a href='http://xyz.com/4' class='page larger'>5</a> 
<a href='http://xyz.com/5' class="next">»</a> 

我嘗試了下面的模式，但是這會返回整個文本中的所有鏈接。

<a href='(.+?)' class="next"> 

（我從這個網站，使用正則表達式解析HTML是一個壞主意理解，但我必須現在做這個。）

Answer 1

試試這個正則表達式：

<a href='([^']+)' class="next"> 

製作一個正則表達式非貪婪並不意味着它總能找到最短的匹配。這意味着一旦它找到了一個匹配，它將返回它，它不會繼續尋找更長的匹配。換句話說，它將使用通配符右端的最短匹配，而不是左端。

因此，您的正則表達式在第一個鏈接的開頭匹配，並且一直持續到發現class = "next"。而不是使用.+?，使用[^']+意味着通配符不會跨越屬性邊界，因此您確信只匹配一個鏈接。

Answer 2

Please don't use regex to parse HTML。使用類似BeautifulSoup的東西。它是如此容易得多，更好：P

from bs4 import BeautifulSoup as BS 
html = """<a href='http://xyz.com/1' class='page larger'>2</a> 
<a href='http://xyz.com/2' class='page larger'>3</a> 
<a href='http://xyz.com/3' class='page larger'>4</a> 
<a href='http://xyz.com/4' class='page larger'>5</a> 
<a href='http://xyz.com/5' class="next">»</a>""" 
soup = BS(html) 
for atag in soup.find_all('a', {'class':'next'}): 
    print atag['href'] 

你的榜樣，這個打印：

http://xyz.com/5 

而且，你的正則表達式works fine。