时间戳

首页 > 解决方案 > 使用正则表达式从给定的链接列表中提取 pdf 链接

python - 使用正则表达式从给定的链接列表中提取 pdf 链接

问题描述

我有一个存储为 LIST 的链接列表。但我只需要提取 PDF 链接。

    links = [ '<a class="tablebluelink" href="https://www.samplewebsite.com/xml-data/abcdef/higjkl/Thisisthe-required-document-b4df-16t9g8p93808.pdf" target="_blank"><img alt="Download PDF" border="0" src="../Include/images/pdf.png"/></a>', '<a class="tablebluelink" href="https://www.samplewebsite.com/xml-data/abcdef/higjkl/Thisisthe-required-document-link-4ea4-8f1c-dd36a1f55d6f.pdf" target="_blank"><img alt="Download PDF" border="0" src="../Include/images/pdf.png"/></a>']

所以我只需要提取从'https'开始并以pdf结尾的链接，如下所示

    https://www.samplewebsite.com/xml-data/abcdef/higjkl/Thisisthe-required-document-b4df-16t9g8p93808.pdf

并将此链接存储在列表中。变量“链接”中有许多 pdf 链接。需要将所有 pdf 链接存储在名为 'pdf_links' 的变量中

谁能建议我用正则表达式来提取这个 pdf 链接？我使用了下面的正则表达式，但它不起作用。

    pdf_regex = r""" (^<a\sclass="tablebluelink"\shref="(.)+.pdf"$)"""

标签： pythonregexpython-3.xpdf

解决方案

每个人都会告诉你使用正则表达式处理 HTML 是错误的。无论如何，我不想向您展示如何以这种方式完成它，我想向您展示使用库解析 HTML 实际上是多么容易，例如经常推荐的BeautifulSoup 4 。

为了使其简单且接近您的示例代码，我只是将您的输入列表展平。通常，您会将原始 HTML 直接提供给解析器（例如，请参见此处）。

from bs4 import BeautifulSoup
links = [ '<a class="tablebluelink" href="https://www.samplewebsite.com/xml-data/abcdef/higjkl/Thisisthe-required-document-b4df-16t9g8p93808.pdf" target="_blank"><img alt="Download PDF" border="0" src="../Include/images/pdf.png"/></a>', '<a class="tablebluelink" href="https://www.samplewebsite.com/xml-data/abcdef/higjkl/Thisisthe-required-document-link-4ea4-8f1c-dd36a1f55d6f.pdf" target="_blank"><img alt="Download PDF" border="0" src="../Include/images/pdf.png"/></a>']

soup = BeautifulSoup(''.join(links), 'lxml')
for link in soup.find_all('a', href=True):
    if link['href'].lower().endswith(".pdf"):
        print(link['href'])

简单明了，不是吗？

推荐阅读