提取URL的Python正則表達式

Question

我正在處理正則表達式，並想知道如何從HTML頁面提取URL。 我想從該行打印出來的網址：

Website is: http://www.somesite.com 

每次該鏈接被發現，我只想提取什麼網址是有後**Website is:** 任何幫助將不勝感激。

Answer 1

這是否足夠或您需要更具體？

In [230]: s = 'Website is: http://www.somesite.com ' 
In [231]: re.findall('Website is:\s+(\S+)', s) 
Out[231]: ['http://www.somesite.com'] 

Answer 2

你可以每行一個正則表達式匹配的捕獲組，就像這樣：

for l in page: 
    m = re.match("Website is: (.*)") 
    if m: 
     print m.groups()[0] 

這兩個檢查每一行匹配的模式，並從中提取的鏈接。

幾個陷阱：

1. 這假定「網站是」表達始終是在該行的開始。如果不是，您可以使用re.search。

2. 這假定冒號和網站之間只有一個空格。如果不是這樣，你可以將表達式改爲Website is:\s+(http.*)。

具體取決於您嘗試解析的頁面。

Answer 3

正則表達式可能是過度的，因爲它非常簡單。

def main(): 
    urls = [] 
    file = prepare_file("<yourfile>.html") 
    for i in file: 
     if "www" in i or "http://" in i: 
      urls.append(i) 
    return urls 


def prepare_file(filename): 
    file = open(filename) 
    a = file.readlines() #splits on new lines 
    a = [ i.strip() for i in [ x for x in a ] ] #remove white space 
    a = filter(lambda x : x != '', a) #remove empty elements 
    return a 

Answer 4

網址勁兒用正則表達式來捕捉，按我可能已經使用下面的正則表達式模式將有利於你讀

：

pat = 'Website is: (%s)' % fireball 

其中火球是一個模式以查找您可以在這裏找到的網址：

daringfireball.net/2010/07/improved_regex_for_matching_urls