使用Python的re模块中findall()函数提取HTML页面中的链接
发布时间：2024-01-09 06:40:17
re模块是Python中的正则表达式模块，常用于在文本中进行匹配和处理。findall()函数是re模块中的一个函数，用于查找并返回所有匹配的内容。
在提取HTML页面中的链接时，可以使用正则表达式来匹配标签中的href属性，并提取出链接。
下面是一个使用Python中的re模块的findall()函数提取HTML页面中的链接的示例：
import re
# 定义HTML页面示例
html = '''
<!DOCTYPE html>
<html>
<head>
<title>Example Page</title>
</head>
<body>
<h1>Example Page</h1>
<p>This is an example page with some links.</p>
<a href="https://www.example.com">Example Link 1</a>
<a href="https://www.example.com/page2">Example Link 2</a>
<a href="https://www.example.com/page3">Example Link 3</a>
<a href="https://www.example.com/page4">Example Link 4</a>
<a href="https://www.example.com/page5">Example Link 5</a>
</body>
</html>
'''
# 定义正则表达式，匹配a标签中的href属性
pattern = r'<a\s+href="([^"]+)"'
# 使用re.findall()函数，提取所有匹配的链接
links = re.findall(pattern, html)
# 打印提取的链接
for link in links:
print(link)
以上代码首先定义了一个示例的HTML页面。然后，使用正则表达式'(<a\s+href="([^"]+)")'来匹配a标签中的href属性，其中'([^"]+)'表示匹配除了双引号之外的字符。
接着，使用re.findall(pattern, html)函数对html文本进行匹配，并返回所有匹配的结果。将结果保存在变量links中。
最后，遍历links列表，并打印提取的链接。
运行以上代码，将会输出以下结果：
https://www.example.com https://www.example.com/page2 https://www.example.com/page3 https://www.example.com/page4 https://www.example.com/page5
这样就成功地使用Python的re模块的findall()函数提取了HTML页面中的链接。