有这么一个需求,将下面字符串中的链接筛选出来
这是第一个图片<img href="https://img.infuq.com">,
这是第二个图片<img src="http://v.infuq.com" />
其中一个是用href,另一个是用src. 使用Python代码处理如下
import re
def find():
content = '这是第一个图片<img href="https://img.infuq.com">,这是第二个图片<img src="http://v.infuq.com" />'
ret = re.findall(r'(?<=[(src|href)]=")[^"]+(?=")', content)
print(ret)
if __name__ == '__main__':
find()
这个问题的关键点就是正则该如何写,能写出来正则,那么问题基本就解决了.正则表达式如下
(?<=[(src|href)]=")[^"]+(?=")
然而,上面的理解是不准确的
分析如下
(src|href)这个正则所能匹配的是src和href这两个串
[(src|href)]这个正则所能匹配的是( s r c | h r e f ) 这10个字符,而不是src和href这两个串
因此,我们可以把最终的正则表示成如下
# href和src的最后一个字符分别是f和c
(?<=[fc]=")[^"]+(?=")
但是这样还是不精确的,假如要匹配的内容是如下
这是第一个图片<img href="https://img.infuq.com">,
这是第二个图片<img src="http://v.infuq.com" >
这是第三个图片kf="https://img.infuq.com" />
我们最终的需求是要href和src的链接,使用 (?<=[fc]=")[^"]+(?=")
能把kf="https://img.infuq.com"也匹配出来.
先在Sublime验证下
或者
一样也能精确匹配到需要的内容.
因此Python的代码如下
import re
def find():
content = '这是第一个图片<img href="https://img.infuq.com">,这是第二个图片<img src="http://v.infuq.com" kf="http://q.infuq.com" />'
# 这种写法在Sublime可以,但是在Python中不支持
# ret = re.findall(r'((?<=href=")|(?<=kf="))[^"]+(?=")', content)
ret = re.findall(r'(?<=href=")[^"]+(?=")|(?<=src=")[^"]+(?=")', content)
print(ret)
if __name__ == '__main__':
find()