私はcgoldbergによって、以前のスタックオーバーフローの質問や貢献度に基づいてのpython

Question

でmp3ファイルURLのhref属性のための正規表現を必要とする、私はモジュール再パイソンを使用して、この正規表現を思い付いた：

import re 
urls = re.finditer('http://(.*?).mp3', htmlcode) 

変数のURLが反復可能オブジェクトであり、私は2つ以上が存在する場合、個別に各mp3ファイルのURLにアクセスするためにループを使用することができます。

for url in urls: 
    mp3fileurl = url.group(0) 

この技術は、しかし、時々しか動作します。私は正規表現が完全な本格的なパーサーモジュールほど信頼性が高くないことを認識しています。しかし、時々、これは同じページでは信頼できません。

一部のURLエントリでは、httpの前にすべてのものが受信されることがあります。

私は正規表現に比較的新しいです。だから、もっと信頼できる方法があるのだろうかと思っています。

ありがとうございます。 また、いくつかの回答を寄稿することを楽しみにしています。

Answer 1

は、いつものように私は、htmlファイルから情報を抽出するために、代わりに正規表現のlxml.htmlようなHTMLパーサを使用することをお勧め：

import lxml.html 

tree = lxml.html.fromstring(htmlcode) 
for link in tree.findall(".//a"): 
    url = link.get("href") 
    if url.endswith(".mp3"): 
     print url 

Answer 2

まずは、おそらく、HTMLパーサを使用しているはずです。 Pythonに付属のHTMLParserモジュールを使用したサンプルコードをいくつか示します。

from HTMLParser import HTMLParser 

class ImgSrcHTMLParser(HTMLParser): 
    def __init__(self): 
    HTMLParser.__init__(self) 
    self.srcs = [] 

    def handle_starttag(self, tag, attrs): 
    if tag == 'img': 
     self.srcs.append(dict(attrs).get('src')) 

parser = ImgSrcHTMLParser() 
parser.feed(html) 
for src in parser.srcs: 
    print src 

これはimgタグからsrcを収集します。あなたが '.mp3'で終わる 'a'タグのhrefを必要としていると仮定すると、それをあなたの目的に適応させるのはかなり簡単です。

実際に正規表現を使用したいと仮定して、あなたの正規表現にいくつかの問題があります。あなたはURLを区切っておらず、URLの中にドットを使用しています。最悪の副作用は、mp3以外のURLとそれに続くmp3-URLが1つの長いURLとして扱われることです。例：「http://foo/bar.gif snarf snarf http://baz/quux.mp3」。デリミタ（空白、引用符、あなたのやっていることに依存します）を必要とし、URLの中のいくつかの文字を許可したくないでしょう（恐らく同じ文字やURLに許可されていない文字）。また、 "。"を逃れるのを忘れた".mp3"で。 「http://foo/mp3icon.gif」は「http://foo/mp3」と一致します。

Answer 3

他の回答で指摘したように、HTML =悪い、悪いを解析するために正規表現を使用してアイディア。念頭に置いて

、私は私のお気に入りのパーサーのコードに追加しません：BeautifulSoup：

from BeautifulSoup import BeautifulSoup 

soup = BeautifulSoup(htmlcode) 
links = soup.findAll('a', href=True) 
mp3s = [l for l in links if l['href'].endswith('.mp3')] 
for song in mp3s: 
    print link['href']