非贪婪搜索字符串的开头

Question

我有以下链接要提取：

[{"file":"https:\/\/www.rapidvideo.com\/loadthumb.php?v=FFIMB47EWD","kind":"thumbnails"}], 
    "sources": [
        {"file":"https:\/\/www588.playercdn.net\/85\/1\/e_q8OBtv52BRyClYa_w0kw\/1496784287\/170512\/359E33j28Jo0ovY.mp4",
         "label":"Standard (288p)","res":"288"},
        {"file":"https:\/\/www726.playercdn.net\/86\/1\/q64Rsb8lG_CnxQAX6EZ2Sw\/1496784287\/170512\/371lbWrqzST1OOf.mp4"

我想提取以mp4结尾的链接

我的正则表达式如下：

"file":"(https\:.*?\.mp4)"

但是，我的匹配是错误的，因为第一个以 php 结尾的链接是匹配的。 我在这里练习Pythex.org。如何避免第一个链接？ 我要解析的html页面的链接是https://www.rapidvideo.com/e/FFIMB47EWD

Answer 1

为什么还要使用正则表达式？这看起来像一个 JSON 对象/Python 字典，您可以遍历它并使用 str.endswith。

>>> sources = {
...     "sources": [
...         {"file": "https:\/\/www588.playercdn.net\/85\/1\/e_q8OBtv52BRyClYa_w0kw\/1496784287\/170512\/359E33j28Jo0ovY.mp4",
...          "label": "Standard (288p)","res":"288"},
...         {"file": "https:\/\/www726.playercdn.net\/86\/1\/q64Rsb8lG_CnxQAX6EZ2Sw\/1496784287\/170512\/371lbWrqzST1OOf.mp4",
...          "label": "Standard (288p)","res":"288"}
...     ]
... }
>>> for item in sources['sources']:
...     if item['file'].endswith('.mp4'):
...         print(item['file'])
... 
https:\/\/www588.playercdn.net\/85\/1\/e_q8OBtv52BRyClYa_w0kw\/1496784287\/170512\/359E33j28Jo0ovY.mp4
https:\/\/www726.playercdn.net\/86\/1\/q64Rsb8lG_CnxQAX6EZ2Sw\/1496784287\/170512\/371lbWrqzST1OOf.mp4

编辑：

加载 javascript 后，该链接似乎在 video 标记中可用。您可以使用无头浏览器，但我只是使用selenium 来完全加载页面，然后保存 html。

获得完整页面 html 后，您可以使用 BeautifulSoup 而不是正则表达式对其进行解析。

Using regular expressions to parse HTML: why not?

from bs4 import BeautifulSoup
from selenium import webdriver


def extract_mp4_link(page_html):
    soup = BeautifulSoup(page_html, 'lxml')
    return soup.find('video')['src']


def get_page_html(url):
    driver = webdriver.Chrome()
    driver.get(url)
    page_source = driver.page_source
    driver.close()
    return page_source


if __name__ == '__main__':
    page_url = 'https://www.rapidvideo.com/e/FFIMB47EWD'
    page_html = get_page_html(page_url)
    print(extract_mp4_link(page_html))