使用正则表达式匹配 HTML 中的 url答案

【问题标题】：Matching url in HTML using regex使用正则表达式匹配 HTML 中的 url
【发布时间】：2017-01-19 03:45:53
【问题描述】：

我已经有一段时间没有使用正则表达式了，我觉得这应该很容易理解。

我有一个充满链接的网页，看起来像下面代码中的 string_to_match。我只想获取链接中的数字，例如 string_to_match 中的数字“58”。对于我的生活，我无法弄清楚。

import re
string_to_match = '<a href="/ncf/teams/roster?teamId=58">Roster</a>'
re.findall('<a href="/ncf/teams/roster?teamId=(/d+)">Roster</a>',string_to_match)

【问题讨论】：

为什么，为什么，为什么人们一直尝试parse HTML with regular expressions?!? 使用an HTML parser。它可以使用预期的属性找到您关心的标签，为您提取它，实际上parse the URL 以获取GET 参数，这将是正确的并且很大程度上是自记录代码。即使正则表达式可能更快、不可维护并且可能错误的代码也不是一种改进。
RegEx match open tags except XHTML self-contained tags的可能重复

标签： python regex

【解决方案1】：

您可以结合使用 HTML 解析（使用 BeautifulSoup 解析器）来定位所需的链接并提取 href 属性值和 URL 解析，而不是使用正则表达式，在这种情况下，我们将使用正则表达式：

import re
from bs4 import BeautifulSoup

data = """
<body>
    <a href="/ncf/teams/roster?teamId=58">Roster</a>
</body>
"""

soup = BeautifulSoup(data, "html.parser")
link = soup.find("a", text="Roster")["href"]

print(re.search(r"teamId=(\d+)", link).group(1))

打印58。

【讨论】：

【解决方案2】：

我建议使用BeautifulSoup 或lxml，值得学习曲线。

...但是如果你还想使用正则表达式

re.findall('href="[^"]*teamId=(\d+)',string_to_match)

【讨论】：