这是一个创建于 4500 天前的主题，其中的信息可能已经有所发展或是发生改变。
目前用的这个正则 <[a|A][^<>]href=\"([^\"]+)\"[^<>]>([^<>]+)<\/[a|A]>
可以匹配出诸如
<a href="url1.html">text1</a>
<a href="url1.html" target="_blank">text1</a>
<a class="c1" href="url1.html">text1</a>
目前发现在获取text的时候 有以下问题
如果是
<a href="url.html"><span>链接1</span></a>
就没办法获取了
请大侠帮忙解决下
或者有没有比较通用的提取链接的正则 目前在用python 不过正则应该没太大区别吧
可以匹配出诸如
<a href="url1.html">text1</a>
<a href="url1.html" target="_blank">text1</a>
<a class="c1" href="url1.html">text1</a>
目前发现在获取text的时候 有以下问题
如果是
<a href="url.html"><span>链接1</span></a>
就没办法获取了
请大侠帮忙解决下
或者有没有比较通用的提取链接的正则 目前在用python 不过正则应该没太大区别吧
 |
1
yangg 2012-08-23 17:56:04 +08:00
匹配所有的，非贪婪
<[a|A][^<>]href=\"([^\"]+)\"[^<>]>([\s\S]*?)<\/[a|A]> |
 |
2
kamal 2012-08-23 19:30:04 +08:00
|
 |
3
sivacohan 2012-08-23 19:40:42 +08:00
python有urllib2，用来提取很方便。不然总会因为标签包含问题
或者你可以分为两部或者几步完成。第一步和一楼的一样。第二部，去查询之前第一步生成的结果集都保护哪些标签。 正则有一个问题就是你必须明确你有处理的文本情况。个人建议是逐步细化。 |
 |
4
zxyzxy12321 2012-08-23 20:56:50 +08:00
|
 |
5
ljbha007 2012-08-23 21:07:23 +08:00
1楼正解 这个问题我以前也纠结了很久 用懒惰匹配到</a>为止即可，否则直接用[\s\S]的话会匹配到最后一个</a>为止
|
 |
6
rightgenius 2012-08-24 10:34:41 +08:00
@zxyzxy12321 这链接太强大了！stackoverflow上的人真是大湿啊！
|
 |
7
reus 2012-08-24 10:42:51 +08:00
可以用lxml来解析html，比正则方便很多
|
 |
8
hyq 2012-08-24 10:44:50 +08:00
可以用SGML來處理HTML
|
|
9
hyq 2012-08-24 10:46:00 +08:00
另外,寫正則的時候,加個大小寫不敏感的flag,就不用判斷a|A
|
Select Language