时间戳

首页 > 解决方案 > Python 通过带有和不带有 href 的 url 拆分字符串

python - Python 通过带有和不带有 href 的 url 拆分字符串

问题描述

实际上我的脚本按预期工作（按 url 拆分字符串并维护其他文本）并放入列表中：

import re
s = 'This is my tweet check it out http://www.example.com/blah and http://blabla.com'
result = re.split(r'(https?://\S+)', s)
print(result)

输出：

['This is my tweet check it out ', 'http://www.example.com/blah', ' and ', 'http://blabla.com', '']

现在我陷入了另一个问题：有时我将 url 作为 html 或混合文本 + html 获取，并且 url 是这样的：

<a href="http://www.example.com/full/path/to/product/">https://shorted.com/FJAKS</a>

href完整的 url，缩短的 url之间<a>...</a>的值。

所以我可以接收这样的字符串来操作：

s = 'This is an html link: <a href="http://www.example.com/full/path/to/product/">https://shorted.com/FJAKS</a> and this is a text url: http://blabla.com'

我想为我的函数获得相同的逻辑，但如果我使用：

result = re.split(r'(https?://\S+)', s)
print(result)

像以前一样，我明白了（错误）：

['This is an html link: <a href="', 'http://www.example.com/full/path/to/product/">https://shorted.com/FJAKS</a>', ' and this is a text url: ', 'http://blabla.com', '']

但我想得到这样的情况（如果是 HTML，则获取所有a标签）：

预期输出：

['This is an html link: ', '<a href="http://www.example.com/full/path/to/product/">https://shorted.com/FJAKS</a>', ' and this is a text url: ', 'http://blabla.com', '']

标签： pythonsplit

解决方案

尝试：

s = 'This is an html link: <a href="http://www.example.com/full/path/to/product/">https://shorted.com/FJAKS</a> and this is a text url: http://blabla.com'
result = re.split(r'((?:<a href=")?https?://\S+[^\s,.:;])', s)
print(result)

关键是添加(?:<a href=")?。(?:)指未被捕获的组；它很有用，因此?适用于整个单元而不是单个字符。

注意：开头或结尾的 URL 会创建一个空白列表项。如果您想删除这些，请尝试：

result = list(filter((None, result)))

编辑：添加[^\s,.:;]到比赛结束。如果它是任何指定的字符，则^确保我们将避免匹配最终字符。这样可以避免链接直接在它们之后吞噬标点符号，例如逗号。

推荐阅读