我需要從本地 html 檔案中提取所有影像鏈接。不幸的是，我無法安裝bs4和cssutils處理 html。
html = """<img src="https://s2.example.com/path/image0.jpg?lastmod=1625296911"><br>
<div><a style="background-image:url(https://s2.example.com/path/image1.jpg?lastmod=1625296911)"</a><a style="background-image:url(https://s2.example.com/path/image2.jpg?lastmod=1625296912)"></a><a style="background-image:url(https://s2.example.com/path/image3.jpg?lastmod=1625296912)"></a></div>"""
我嘗試使用正則運算式提取資料：
images = []
for line in html.split('\n'):
images.append(re.findall(r'(https://s2.*\?lastmod=\d )', line))
print(images)
[['https://s2.example.com/path/image0.jpg?lastmod=1625296911'],
['https://s2.example.com/path/image1.jpg?lastmod=1625296911)"</a><a style="background-image:url(https://s2.example.com/path/image2.jpg?lastmod=1625296912)"></a><a style="background-image:url(https://s2.example.com/path/image3.jpg?lastmod=1625296912']]
我想我的正則運算式是貪婪的，因為我使用了.*? 如何得到以下結果？
images = ['https://s2.example.com/path/image0.jpg',
'https://s2.example.com/path/image1.jpg',
'https://s2.example.com/path/image2.jpg',
'https://s2.example.com/path/image3.jpg']
如果它可以幫助所有鏈接都包含在src="..."或url(...)
謝謝你的幫助。
uj5u.com熱心網友回復：
import re
indeces_start = sorted(
[m.start() 5 for m in re.finditer("src=", html)]
[m.start() 4 for m in re.finditer("url", html)])
indeces_end = [m.end() for m in re.finditer(".jpg", html)]
image_list = []
for start,end in zip(indeces_start,indeces_end):
image_list.append(html[start:end])
print(image_list)
這是我想到的一個解決方案。它包括查找影像路徑字串的開始和結束索引。如果有不同的影像型別，顯然必須進行調整。
編輯：更改了啟動條件，以防檔案中存在其他 URL
uj5u.com熱心網友回復：
您可以使用
import re
html = """<img src="https://s2.example.com/path/image0.jpg?lastmod=1625296911"><br>
<div><a style="background-image:url(https://s2.example.com/path/image1.jpg?lastmod=1625296911)"</a><a style="background-image:url(https://s2.example.com/path/image2.jpg?lastmod=1625296912)"></a><a style="background-image:url(https://s2.example.com/path/image3.jpg?lastmod=1625296912)"></a></div>"""
images = re.findall(r'https://s2[^\s?]*(?=\?lastmod=\d)', html)
print(images)
請參閱Python 演示。輸出：
['https://s2.example.com/path/image0.jpg',
'https://s2.example.com/path/image1.jpg',
'https://s2.example.com/path/image2.jpg',
'https://s2.example.com/path/image3.jpg']
也請參閱正則運算式演示。它的意思是
https://s2- 一些文字[^\s?]*- 除空格和?字符外的零個或多個字符(?=\?lastmod=\d)- 緊靠右側，必須有?lastmode=一個數字（文本不會添加到匹配中，因為它是正向前瞻中的一個模式，一個非消耗模式）。
uj5u.com熱心網友回復：
import re
xx = '<img src="https://s2.example.com/path/image0.jpg?lastmod=1625296911" alt="如何從html中提取一些網址？"><img a src="https://s2.example.com/path/image0.jpg?lastmod=1625296911">'
r1 = re.findall(r"<img(?=\s|>)[^>]*>",xx)
url = []
for x in r1:
x = re.findall(r"src\s{0,}=\s{0,}['\"][\w\d:/.=]{0,}",x)
if(len(x)== 0): continue
x = re.findall(r"http[s]{0,1}[\w\d:/.=]{0,}",x[0])
if(len(x)== 0): continue
url.append(x[0])
print(url)
轉載請註明出處，本文鏈接：https://www.uj5u.com/qita/336630.html
下一篇：多行正則運算式匹配python