时间戳

首页 > 解决方案 > 正则表达式只识别一半时间的引号

python - 正则表达式只识别一半时间的引号

问题描述

我最近创建了一个非常基本的正则表达式（它是新的），它检测 javascript 文件的所有字符串：

with open("file.js", "r", encoding="UTF-8") as file:
    re.findall(r"(\".+\"|\'.+\')", file.read())

当我创建我的服装 js 文件时，这非常有效。一旦我开始尝试使用网络抓取，它就不再起作用了。

在 HTML 之后：

<html>
  <body>
    <script src="/modules.cb8e9af2c2709a34b49b.js"></script>
    <script src="/watch.4c4d39803b119ef010a3.js"></script>
    <script src="/common.acad5df36574c2182d15.js"></script>
    <script src="/reward4823ace7ccd.js"></script>
    <script src="/polyfills.2b2696c6c54a9388e1d4.js"></script>
    <script src="/index.a5be217e620cedc065e5.js"></script>
  </body>
</html>

会输出

['/modules.cb8e9af2c2709a34b49b.js"></script><script src="/watch.4c4d39803b119ef010a3.js">
</script><script src="/common.acad5df36574c2182d15.js"></script><script src="/reward4823ace7ccd.js"> 
</script><script src="/polyfills.2b2696c6c54a9388e1d4.js"></script><script src="/index.a5be217e620cedc065e5.js']

当我通过访问真实的网站代码时

r = requests.get(link)
re.findall(r"(\".+\"|\'.+\')", str(BeautifulSoup(r.text, "html.parser")))

但是当我将html写入我的costum文件并使用第一个代码尝试时，它会正确输出

['/modules.cb8e9af2c2709a34b49b.js', '/watch.4c4d39803b119ef010a3.js', '/common.acad5df36574c2182d15.js', 
'/reward4823ace7ccd.js', '/polyfills.2b2696c6c54a9388e1d4.js', '/index.a5be217e620cedc065e5.js']

即使两次数据正则表达式应该读取的类型都是字符串。我已经尝试不转换任何东西或故意将所有内容转换为字符串，但输出始终相同。

这是为什么？

另外，如果有帮助，这里是我正在抓取的（测试）链接（确保 html 更复杂，尽管这不应该改变正则表达式在这种情况下的行为：“https://lolesports.com/schedule?leagues=european -大师，LCS，LCK”

标签： pythonregexbeautifulsouppython-requests

解决方案

正则表达式"(\".+\"|\'.+\')"继续匹配 2"或'. 这包括例如 - "/modules.cb8e9af2c2709a34b49b.js"和"></script><script src="以下子字符串：

<script src="/modules.cb8e9af2c2709a34b49b.js"></script><script src="...

您应该对正则表达式使用re.finditer或添加限制，而不是.+

推荐阅读