我在 HTML 中的 anchor 标记内有 3 个独特的链接。所有链接出现 2 次。我想做的是使用 python 正则表达式匹配仅获取 3 个链接一次,但无法这样做,仅此而已。
这是我的 HTML:
<html>
<body>
<ul class="asidemenu_h1">
<li class="top">
<h3>Mobiles</h3>
</li>
<li>
<a href="http://www.mega.pk/mobiles-apple/" title="Apple Mobiles Price">Apple</a>
</li>
<li>
<a href="http://www.mega.pk/mobiles-asus/" title="Asus Mobiles Price">Asus</a>
</li>
<li>
<a href="http://www.mega.pk/mobiles-black_berry/" title="Black Berry Mobiles Price">Black Berry</a>
</li>
</ul>
<ul class="start2" id="start2ul63" style="visibility: hidden; opacity: 0;">
<li>
<h3>Mobiles</h3>
<ul class="start3 bolder-star">
<li>
<a href="http://www.mega.pk/mobiles-apple/">Apple</a>
</li>
<li>
<a href="http://www.mega.pk/mobiles-asus/">Asus</a>
</li>
<li>
<a href="http://www.mega.pk/mobiles-black_berry/">Black Berry</a>
</li>
</ul>
</li>
</ul>
</body>
</html>
这是我的方法(1),使用 for 循环和正则表达式匹配:
for link in soup.find_all("a", href=re.compile(r'(http:\/\/www\.mega\.pk\/mobiles-[A-z]+\/)(?=.*\1)', re.DOTALL)):
link.get('href')
这根本不返回任何内容。
这是我的方法(2),使用 for 循环和正则表达式匹配:
for link in soup.find_all("a", href=re.compile(r'(http:\/\/www\.mega\.pk\/mobiles-\w+\/)(?!.*\1)', re.UNICODE | re.DOTALL)):
link.get('href')
这也会返回重复的链接。
最佳答案
获取 href
内包含 mobiles
且带有 CSS selector 的所有链接:
soup.select("ul.asidemenu_h1 a[href*=mobiles]")
请注意,我将其限制为搜索具有 asidemenu_h1
类的 ul
内的链接 - 仅此一项就可以帮助您避免重复。 *=
这里的意思是“包含”。
如果您坚持使用正则表达式来检查 href
值:
menu = soup.find("ul", class_="asidemenu_h1")
links = menu.find_all("a", href=re.compile(r"mega\.pk\/mobiles-[a-zA-Z0-9_-]+\/$"))
for link in links:
print(link.get_text())
关于python - 无法仅获取 1 次出现的链接,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/32845409/