我正在尝试以 "http://something" 或 https://something. 的形式查找网页上的所有链接。我制作了一个正则表达式它有效:
L = re.findall(r"http://[^/\"]+/|https://[^/\"]+/", site_str)
但是，有没有更短的写法？我重复了 ://[^/\"]+/两次，可能不需要。我尝试了各种方法，但没有用。我试过:
L = re.findall(r"http|https(://[^/\"]+/)", site_str)
L = re.findall(r"(http|https)://[^/\"]+/", site_str)
L = re.findall(r"(http|https)(://[^/\"]+/)", site_str)
很明显我在这里遗漏了一些东西，或者我只是不太了解 python 正则表达式。
请您参考如下方法:
您正在使用捕获组，并且 .findall() alters behaviour when you use those (它只会返回捕获组的内容)。您的正则表达式可以简化，但如果您改用非捕获组，您的版本将有效:
L = re.findall(r"(?:http|https)://[^/\"]+/", site_str)
如果在表达式周围使用单引号，则不需要对双引号进行转义，只需改变表达式中的 s，so s? 也可以:
L = re.findall(r'https?://[^/"]+/', site_str)
演示:
>>> import re
>>> example = '''
... "http://someserver.com/"
... "https://anotherserver.com/with/path"
... '''
>>> re.findall(r'https?://[^/"]+/', example)
['http://someserver.com/', 'https://anotherserver.com/']
