如何使用 Python 2.7.10 遍历列表并提取引号之间的文本答案

【问题标题】：How to iterate through a list and extract text between quotation marks using Python 2.7.10如何使用 Python 2.7.10 遍历列表并提取引号之间的文本
【发布时间】：2018-02-14 13:03:23
【问题描述】：

我正在尝试遍历一个长列表（我们称之为url_list），其中每个项目看起来像：

<a href="https://www.example.com/5th-february-2018/" itemprop="url">5th February 2018</a>, <a href="https://www.example.com/4th-february-2018/" itemprop="url">4th February 2018</a>, <a href="https://www.example.com/3rd-february-2018/" itemprop="url">3rd February 2018</a>, <a href="https://www.example.com/2nd-february-2018/" itemprop="url">2nd February 2018</a>,

等等。我想遍历列表并只保留前两个引号之间的文本，并丢弃其余的 - 即：

https://www.example.com/5th-february-2018/, https://www.example.com/4th-february-2018/, https://www.example.com/3rd-february-2018/, https://www.example.com/2nd-february-2018/,

所以基本上我试图返回一个很好的干净的 url 列表。我没有太多运气遍历列表并拆分引号 - 有没有更好的方法来做到这一点？有没有办法把itemprop=字符串后面的所有东西都扔掉？

【问题讨论】：

标签： python regex list text-parsing

【解决方案1】：

使用正则表达式：

import re

url_list = ['<a href="https://www.example.com/5th-february-2018/" itemprop="url">5th February 2018</a>', '<a href="https://www.example.com/4th-february-2018/" itemprop="url">4th February 2018</a>']
for i in url_list:
    print re.search("(?P<url>https?://[^\s]+)/", i).group("url")

输出：

https://www.example.com/5th-february-2018
https://www.example.com/4th-february-2018

【讨论】：

【解决方案2】：

您是否尝试过使用 split 函数在 " 处进行拆分，然后从结果列表中取出第二个条目？

urls=[]
for url_entry in url_list:
    url = url_entry.split('\"')[1]
    urls.append(url)

【讨论】：

【解决方案3】：

这听起来有点像XY problem。

如果您曾经（或正在）使用BeautifulSoup 来解析您的 HTML，它会变得容易得多：

from bs4 import BeautifulSoup

html_text = '''<a href="https://www.example.com/5th-february-2018/" itemprop="url">5th February 2018</a>
<a href="https://www.example.com/4th-february-2018/" itemprop="url">4th February 2018</a>
<a href="https://www.example.com/3rd-february-2018/" itemprop="url">3rd February 2018</a>
<a href="https://www.example.com/2nd-february-2018/" itemprop="url">2nd February 2018</a>'''

soup = BeautifulSoup(html_text)
urls = [x['href'] for x in soup.find_all("a")]
for url in urls:
    print(url)
# https://www.example.com/5th-february-2018/
# https://www.example.com/4th-february-2018/
# https://www.example.com/3rd-february-2018/
# https://www.example.com/2nd-february-2018/

【讨论】：