我对这个正则表达式做错了什么答案

【问题标题】：What am i doing wrong with this regular expression我对这个正则表达式做错了什么
【发布时间】：2013-11-27 16:53:14
【问题描述】：

links = re.findall('href="(http(s?)://[^"]+)"',page)

我有这个正则表达式来查找网站中的所有链接，我得到了这个结果：

('http://asecuritysite.com', '')
('https://www.sans.org/webcasts/archive/2013', 's')

当我想要的只是这个：

http://asecuritysite.com
https://www.sans.org/webcasts/archive/2013

如果我在 href 之后删除 "(，它会给我带来很多错误，有人可以解释原因吗？

【问题讨论】：

regular-expressions.info/brackets.html
如果你只删除一个括号，你最终会得到不平衡的括号（用于表示捕获组），这是一个语法错误（排序）。为什么要删除那个括号？

标签： python regex

【解决方案1】：

如果您使用超过 1 个捕获组，re.findall 返回元组列表而不是字符串列表。尝试以下（仅使用单个组）：

>>> import re
>>> page = '''
...     <a href="http://asecuritysite.com">here</a>
...     <a href="https://www.sans.org/webcasts/archive/2013">there</a>
...     '''
>>> re.findall(r'href="(https?:\/\/[^"]+)"',page)
['http://asecuritysite.com', 'https://www.sans.org/webcasts/archive/2013']

根据re.findall documentation：

如果模式中存在一个或多个组，则返回一个列表团体；如果模式有多个，这将是一个 元组列表组。

【讨论】：

【解决方案2】：

尝试摆脱第二组（原始模式中的(s?)）：

links = re.findall('href="(https?:\/\/[^"]+)"',page)

【讨论】：

@user2988983 falsetru 提供了一个excellent explanation。基本上，使用多个捕获组会导致结果以这种方式格式化。

【解决方案3】：

你做错了什么是试图用正则表达式解析 HTML。而那位先生，是罪孽。

See here for the horrors of Regex parsing HTML

另一种方法是使用类似lxml 的东西来解析页面并提取类似这样的链接

urls = html.xpath('//a/@href')

【讨论】：

实际上（该链接中的许多 cmets 也指出）OP 不是解析 HTML，而是简单地搜索与模式匹配的字符串。
我没有看到任何证据表明他没有尝试解析 html
@iamnotmaynard 特别可怕，因为他正在正则表达式搜索page 变量。

【解决方案4】：

如果https? 之前是单引号而不是双引号，您也会遇到问题。

(https?:\/\/[^\"\'\>]+) 将捕获整个字符串；然后你可以做的是在它前面加上(href=.?)，你最终会得到两个捕获组：

完整的正则表达式：(href=.?)(https?:\/\/[^\"\'\>]+)

第 1 场

[第 1 组]href='
[第 2 组]http://asecuritysite.com

第 2 场

[第 1 组]href='
[第 2 组]https://www.sans.org/webcasts/archive/2013

http://regex101.com/r/gO8vV7 这是一个工作示例

【讨论】：

不要忘记禁止白色字符（不能在 href 属性中）
@CasimiretHippolyte 最好不要这样做，以免原始程序员输入非法字符。只要后面没有引号或> 分隔符，就会被捕获。
为什么不这样做，但如果你有其他属性之后这不起作用。