Python re 提取 HTML 地址
在网络爬虫和数据处理中，经常需要从 HTML 文档中提取出链接地址。Python 的 re 模块是一个强大的正则表达式工具，在处理文本匹配和提取时非常方便。本文将介绍如何使用 Python 的 re 模块提取 HTML 地址，并提供代码示例。
正则表达式基础
在使用 re 模块之前，我们需要了解一些正则表达式的基础知识。正则表达式是一种用于匹配和处理文本的字符串模式。在 Python 中，我们可以使用 re 模块来创建和应用正则表达式。
下面是一些常用的正则表达式语法：
.：匹配任意字符。*：匹配前一个字符的零个或多个重复。+：匹配前一个字符的一个或多个重复。\d：匹配一个数字字符。\w：匹配一个字母数字字符。\s：匹配一个空白字符。\b：匹配一个单词边界。
提取 HTML 地址
在 HTML 文档中，链接地址通常以<a>标签包裹，我们可以使用正则表达式来提取这些链接。下面是一个示例 HTML 文档：
<html>
<body>
<a rel="nofollow" href="
<a href="
<a href="
</body>
</html>
我们希望从这个 HTML 文档中提取出所有链接的地址。
首先，我们需要使用 re 模块的 findall 方法来匹配所有的<a>标签：
import re
html = '''
<html>
<body>
<a rel="nofollow" href="
<a href="
<a href="
</body>
</html>
'''
links = re.findall(r'<a.*?href="(.*?)".*?>', html)
print(links)
代码输出：
[' ' '
在这个例子中，我们使用了正则表达式<a.*?href="(.*?)".*?>来匹配<a>标签，并使用了.*?来匹配任意字符（非贪婪模式），"(.*?)"来提取引号之间的内容作为链接地址。
代码示例
下面是一个完整的代码示例，演示了如何使用 Python 的 re 模块提取 HTML 地址：
import re
def extract_links_from_html(html):
pattern = r'<a.*?href="(.*?)".*?>'
links = re.findall(pattern, html)
return links
html = '''
<html>
<body>
<a rel="nofollow" href="
<a href="
<a href="
</body>
</html>
'''
links = extract_links_from_html(html)
print(links)
代码输出：
[' ' '
总结
本文介绍了如何使用 Python 的 re 模块提取 HTML 地址。首先，我们了解了正则表达式的基础知识，然后演示了如何使用正则表达式匹配和提取 HTML 中的链接地址。通过了解正则表达式的语法和使用 re 模块的方法，我们可以更加灵活地处理和提取文本数据。
关系图
下图是示意关系图，描述了 HTML 文档中链接地址的提取过程：
erDiagram
HTML -- "正则表达式匹配" : 匹配 <a> 标签
"正则表达式匹配" -- 地址 : 提取链接地址
状态图
下图是示意状态图，描述了 HTML 地址提取的状态流程：
stateDiagram
[*] --> 提取
提取 --> 结束 : 成功
提取 --> [*] : 失败
结束 --> [*]
``
