因为实验需要从2w个网页中提取action中的链接,显然用bs4去解析dom树,再去逐个定位form、action。是十分花费时间的。
故笔者就利用正则表达式去解决这一个问题,
- 我第一步想法是匹配以 action=“ 开头的 “ 结尾字符串
- 用 aciton.*?" 就可以匹配出来了
- 但是这就遇到拦路虎了,因为笔者也是第一次动手写正则,就很菜,什么也不懂
- 在查了相关资料后,多方尝试,直接崩溃,
- 不玩了,去打王者了
- 在经历过王者连败后,战士依旧归来
- 发现了关于正则两个很有用的知识点
- 零宽断言
- 负向零宽断言
举个栗子:
<form
action="http://websitesmail.att.com/ajax_login/redirect.php"
method="post"
id="webmail_form">
- 首先这里用到了负向零宽断言,具体的术语名字更长,在我理解看来,就是你所需要的位置,其前方可以满足你的表达式,故第一步结果如下
<?<=action=">
- 现在咱们有了要匹配字段前面的要求,接下来再加上表示你所需要字符串的语法
<?<=action=">.*?
- 最后我们是要用“去收尾的,故用到类零宽断言,故最终的结果就是这样
(?<=action=").*?(?=")
这里我谈一下个人对零宽断言的一点点理解,
- 零宽断言分为正向反向
- 其不同于正则里面的开始符与结束符
- 其区别在于开始符与结束符,其最终结果是包含了你所指定的开始和结束的字符(串)
- 但是零宽断言的最终匹配结果是不包含你指定的定位符的。
- 故这个就很好的解决了,我只想要action里面的链接,而不想附带别的其余东西
希望有帮到你,谢谢