如何使用正则表达式提取子字符串？（屏幕抓取）答案

【问题标题】：How to use regular expressions to pull a substring? (screen scraping)如何使用正则表达式提取子字符串？（屏幕抓取）
【发布时间】：2010-05-20 01:09:05
【问题描述】：

大家好，我真的很想在抓取网站时理解正则表达式，我一直在我的代码中使用它来获取以下内容，但我被困在这里。我需要快速抓住这个：

http://www.example.com/online/store/TitleDetail?detail&sku=123456789

从此：

('<a href="javascript:if(handleDoubleClick(this.id)){window.location=\'http://www.example.com/online/store/TitleDetail?detail&sku=123456789\';}" id="getTitleDetails_123456789">\r\n\t\t\t            \tcheck store inventory\r\n\t\t\t            </a>', 1)

这就是我感到困惑的地方。有什么想法吗？

编辑：每个产品的 sku 编号都会发生变化，所以这对我来说是个麻烦

【问题讨论】：

你可能会发现 PyCon 2010 上的这个演讲很有趣 - pycon.blip.tv/file/3359320
谢谢克里斯蒂安，我一直在看这个。但我没有找到像你提供的那样好的提要。干杯！

标签： python regex screen-scraping

【解决方案1】：

http://www\.example\.com/online/store/TitleDetail\?detail&sku=\d+

使用带有“Greedy”+ 的 \d 组来限定 sku 字段中的任何整数值

【讨论】：

【解决方案2】：

pattern = re.compile(r"window.location=\\'([^\\]*)")
haystack = r"""<a href="javascript:if(handleDoubleClick(this.id)){window.location=\'http://www.example.com/online/store/TitleDetail?detail&sku=123456789\';}" id="getTitleDetails_123456789">\r\n\t\t\t\tcheck store inventory\r\n\t\t\t</a>"""
url = re.search(pattern, haystack).group(1)

【讨论】：

【解决方案3】：

你不需要正则表达式，只需使用字符串方法：

result = html[0].split("window.location='")[1].split("'")[0]

【讨论】：

【解决方案4】：

如果总是有 9 位数字

http://www.example.com/online/store/TitleDetail?detail&sku=[0-9]{9}

如果有任意位数：

http://www.example.com/online/store/TitleDetail?detail&sku=[0-9]*

更笼统：

http*?sku=[0-9]*

（*? 中的 ? 表示它会首先找到较短的匹配项，因此不太可能找到跨越多个 URL 的匹配项。）

编辑：[0-9]。不是 [1-9]

【讨论】：

【解决方案5】：

http://txt2re.com/ 可能会帮助你

【讨论】：