哪位大神能帮忙写一个正则表达式啊?

<!DOCTYPE html>
                    <html>
                        <head>    
                        <meta charset="utf-8">    
                        <title>正在跳转...</title>    
                        <meta name="referrer" content="no-referrer" />
                        <meta HTTP-EQUIV="refresh" content="0; url=https://www.baidu.com/s/1dD8Hkn3">
                        </head>
                        <body>
                      </body>
                    </html>

HTML

meta

head

content

30 replies • 2018-09-03 17:51:17 +08:00

adminii

Sep 1, 2018

delectate

Sep 1, 2018

Python 3.7.0 (v3.7.0:1bf9cc5093, Jun 27 2018, 04:59:51) [MSC v.1914 64 bit (AMD64)] on win32
Type "help", "copyright", "credits" or "license" for more information.
>>> import re
>>> a='''<!DOCTYPE html>
... <html>
... <head>
... <meta charset="utf-8">
... <title>正在跳转...</title>
... <meta name="referrer" content="no-referrer" />
... <meta HTTP-EQUIV="refresh" content="0; url=https://www.baidu.com/s/1dD8Hkn3">
... </head>
... <body>
... </body>
... </html>
... '''
>>> re.findall(r'url=(.+)"',a)
['https://www.baidu.com/s/1dD8Hkn3']
>>>

css3

Sep 1, 2018

@adminii
@delectate 非常感谢二位，多谢！

NickCarter

Sep 1, 2018 via iPhone

regexr.com

locoz

Sep 1, 2018 via Android

“类型不是 html 是 str ”？这话有点问题

zaaazaa

Sep 1, 2018

用 beautifulsoup 先取出片段再用正则会不会简单很多

zaaazaa

Sep 1, 2018

好吧居然不能用 bs4

pppguest3962

Sep 1, 2018

字符串里面如果还有标签区段，str 可以继续弄进 bs4，再做递进一步的处理的。。。

```
htmlStr = """<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<title>正在跳转...</title>
<meta name="referrer" content="no-referrer" />
<meta HTTP-EQUIV="refresh" content="0; url=https://www.baidu.com/s/1dD8Hkn3">
</head>
<body>
</body>
</html>
"""

htmlStrBs4 = BeautifulSoup(htmlStr.__str__(), 'lxml')
```

zhzer

Sep 1, 2018

pattern = r"<meta.+? content=(['"]).+?url=(.+) ?.*\1>"
组 2 就是链接

PulpFunction

Sep 1, 2018

想知道楼主怎么各种尝试的，上切片美滋滋啊

des

Sep 1, 2018 via Android

最近什么回事，看见好几个求正则的了。
都是做爬虫，你们就不能老老实实用 beautifulsoup 吗？？

angles6645

Sep 1, 2018 via Android

你把 str 丢到 bs4 里不是一样吗......

duan602728596

Sep 1, 2018 via iPhone

python 不是有 pyquery 么

mmnsghgn

Sep 1, 2018

from lxml import etree

html_string = '''
<!DOCTYPE html>
<html>
<head>
<meta charset="utf-8">
<title>正在跳转...</title>
<meta name="referrer" content="no-referrer" />
<meta HTTP-EQUIV="refresh" content="0; url=https://www.baidu.com/s/1dD8Hkn3">
</head>
<body>
</body>
</html>
'''

html = etree.HTML(html_string)

url = html.xpath('//meta[3]/@content')[0].split('url=')[-1]

print(url)

觉得 lxml 比 bs4 舒服的多

lu5je0

Sep 1, 2018

url=(.*)\"

xml123

Sep 1, 2018

@des 可能是因为正则比较简单（门槛低）吧，我第一次写爬虫也是全程正则硬刚……

des

Sep 2, 2018 via Android

@xml123 门槛低倒是，简单就不一定了

ShareDuck

Sep 2, 2018 via Android

每次写正则都要看“ 30 分钟入门”的路过，膜拜各路大神。

css3

Sep 2, 2018

@PulpFunction 切片长度一致才行吧，url 这每个长度都不一样啊

css3

Sep 2, 2018

@ShareDuck 我也看，但写不出来能用的正则，

PulpFunction

Sep 2, 2018

@css3 url 前的字符数不变，url 后面的标签也不会变
这里的切片和你的 url 长度没关系
哈哈我是逗你玩的

css3

Sep 2, 2018

@PulpFunction 可以举例说明吗？😀

richieboy

Sep 3, 2018

"(?<=content=\"0; url=)[^\"]*(?=\">)"

PulpFunction

Sep 3, 2018

@css3 你自己数吧胸跌

wersonliu9527

Sep 3, 2018

其实用 xpath 我觉得是最简单的,配合谷歌浏览器的插件 xpath helper

xpresslink

Sep 3, 2018

楼主基本概念都不清楚么？
只取一个 URL 确实只要用正则就可以了，用 bs4, lxml 之类方案有些重了。
但是返回一个 html 页面（类型不是 html 是 str，不能 bs4 解析）这是什么屁话。

css3

Sep 3, 2018

@xpresslink 不要方，我调用一个接口，人家返回的就是一个 html 页面，类型是 str,有什么好惊讶的呢

icris

Sep 3, 2018

我来复制一个示例吧

soup = BeautifulSoup('<b class="boldest">Extremely bold</b>')
tag = soup.b
type(tag)
# <class 'bs4.element.Tag'>

第一行单引号里面是不是字符串？能不能用 bs4 解析？

xpresslink

Sep 3, 2018

@css3 我只能呵呵了

thautwarm

Sep 3, 2018

话说我笔记记得有:

re_exp = re.compile(r'( https?:\/\/(?:www\.|(?!www))[a-zA-Z0-9][a-zA-Z0-9-]+[a-zA-Z0-9]\.[^\s]{2,}|www\.[a-zA-Z0-9][a-zA-Z0-9-]+[a-zA-Z0-9]\.[^\s]{2,}|https?:\/\/(?:www\.|(?!www))[a-zA-Z0-9]\.[^\s]{2,}|www\.[a-zA-Z0-9]\.[^\s]{2,})')