从带有类的 <a> 标记中提取 href 使用正则表达式

Question

我需要从网站上读取许多页面并使用正则表达式提取所有具有“活动”类的链接。 此标记可以在 HREF 值之前或之后具有类 attr。

我的代码是：

    try:
        p = requests.get(url, timeout=4.0)
    except:
        p = None
    if p and p.content and p.status_code < 400:
        canonical_url = re.search('<a class="active" href="(.*)?"', p.content, flags=re.MULTILINE|re.IGNORECASE|re.DOTALL|re.UNICODE)

但是使用这个正则表达式，我只能在 HREF 之前而不是之后捕获类活动的链接。 谢谢。

Answer 1

鉴于 OP 在问题下方的 cmets 中指定了以下内容，可以使用正则表达式。不过要小心，因为在尝试解析 HTML 时，正则表达式很容易 break。

我使用的是 BS4，但我的老板让我使用正则表达式，因为 BS4 提取简单链接有点过头了

See regex in use here

<a\b(?=[^>]* class="[^"]*(?<=[" ])active[" ])(?=[^>]* href="([^"]*))

• <a 按字面意思匹配
• \b 将位置断言为单词边界
• (?=[^>]* class="[^"]*(?<=[" ])active[" ]) 正向前瞻确保以下匹配。
  • [^>]* 匹配除> 之外的任何字符任意次数
  • class=" 逐字匹配
  • [^"]* 匹配除" 以外的任何字符任意次数
  • (?<=[" ]) 正向向后看，确保前面是集合中的字符
  • active 从字面上匹配这个
  • [" ]匹配集合中的任一字符
• (?=[^>]* href="([^"]*)) 积极的前瞻确保接下来的匹配
  • [^>]* 匹配除> 之外的任意字符任意次数
  • href=" 从字面上匹配
  • ([^"]*) 将除" 之外的任何字符任意次数捕获到捕获组 1 中

给定以下示例，仅匹配前 3 个：

<a class="active" href="something">
<a href="something" class="active">
<a href="something" class="another-class active some-other-class">

<a class="inactive" href="something">
<a not-class="active" href="something">
<a class="active" not-href="something">