从文本文件中提取带有或不带有“#...”的 URL答案

【问题标题】：Extract URLS with or without "#..." in them from text file从文本文件中提取带有或不带有“#...”的 URL
【发布时间】：2015-08-12 06:25:58
【问题描述】：

免责声明：我知道以前有很多关于这类事情的问题，如果这是一个骗子，请标记它或直接给我链接&我可以删除这篇文章。

半免责声明：我不熟悉正则表达式，所以我不能自己做：/

我有一个看起来像这样的文件：

asd<a href="http://asd.asd.asd#asd">asd</a>
asd<a href="https://asd.asd.asd#asd">asd</a>

这么多 asd，因为我不知道：

http 或 https
www. 或其他内容
#something 或者什么都没有

我希望脚本获取这个文件，比如 input.txt，提取所有 url，使用#___，然后每行输出一个到另一个文本文件，比如, 输出.txt。

对于本例，输出将是：

http://asd.asd.asd#asd
https://asd.asd.asd#asd

再次抱歉，如果这是重复的，我只是不擅长使用 Google，在此先谢谢你 :)

使用 Python 3。

【问题讨论】：

标签： regex url python-3.x

【解决方案1】：

(?<=href=")[^"]*#[^"]*(?=")

您可以简单地将这个正则表达式与re.findall 一起使用并获得结果。参见演示。

https://regex101.com/r/uF4oY4/7

如果# 是可选的使用

(?<=href=")[^"]*(?=")

你可以把它当作

f=open("input.txt","r")

print (re.findall(r'(?<=href=")[^"]*#[^"]*(?=")',f.read()))

【讨论】：

您必须将 '#'-char 设为可选才能使其正常工作，因为 OP 已要求 '#something' 是可选的：(?
@vks 这似乎工作得很好。但是正如我所说，我不知道re，那么我该如何在代码中使用它呢？
如何循环遍历所有内容？ for x in re.findall(): 不工作。
我想将所有结果输出到文件中，而不仅仅是打印。此外，我假设您的意思是 re.findall(r'(?<=href=")[^"]*#[^"]*(?=")',f.read())... 当然，所有双括号都会导致问题。
由于某种原因，这只是返回空字符串。

【解决方案2】：

使用BeautifulSoup

from bs4 import BeautifulSoup
s = '''asd<a href="http://asd.asd.asd#asd">asd</a>
asd<a href="https://asd.asd.asd#asd">asd</a>'''
soup = BeautifulSoup(s)
print([i['href'] for i in soup.select('a') if '#' in i['href']])

【讨论】：

No module named 'bs4'