正規表現

Question

を使用して特定のURLへのリンクを検索して表示するので、特定のサイトへのリンクのみを抽出しようとしています。私はこのサイトを何時間も篩い分けして次のように書きましたが、それは私のためにはうまくいきません。

match = re.compile('<a href="(http:\/\/www\.|https:\/\/www\.|http:\/\/|https:\/\/)(youtu|www.youtube|youtube|vimeo|dailymotion|)\.(.+?)"',re.DOTALL).findall(html) 
for title in match: 
    print '<a href="'+title+'>'+title+'</a>' 

上記の方法は、このエラーを与える：

print '<a href="'+title+'>'+title+'</a>' 
TypeError: cannot concatenate 'str' and 'tuple' objects 

と私は単純に「印刷=タイトル」私は掻き取っすべてのリンクは次のようになります以下の醜い結果に

('https://www.', 'youtube', 'com/watch?v=gm2SGfjvgjM') 

を取得置く場合：

<a href="https://www.youtube.com/watch?v=gm2SGfjvgjM" 

Im希望

<a href="https://www.youtube.com/watch?v=gm2SGfjvgjM">youtube</a> 
<a href="http://www.dailymotion.com/video/x5zuvuu">dailymotion</a> 

私はしばらくの間、pythonで遊んでいましたが、私は苦労しました。そしてFYI Iveは、美しいスープを見つけようと無限の時間を費やしましたが、それを手に入れませんでした。可能であれば、メソッドを完全に変更することなく、これに関する助けを感謝します。何か助けてくれてありがとう。

Answer 1

あなたのパターンは大丈夫です。問題は、内部のグループをキャプチャすることです。それらをすべて?:でキャプチャしないようにして、完全な式を一緒にキャプチャするだけになります。

p = re.compile('<a href="((?:http:\/\/www\.|https:\/\/www\.|http:\/\/|https:\/\/)'\ 
         '(?:youtu|www.youtube|youtube|vimeo|dailymotion|)'\ 
         '\.(?:.+?))"',re.DOTALL) 
match = p.findall(html) 
for title in match: 
    print '<a href="' + title + '>' + title + '</a>' 

---

リンクだけでなく、ドメイン名、別の小さな変更が必要とされて保持する - 2つのグループ（前者は後者もキャプチャ）として式全体をキャプチャし、ウェブサイトの名前を：

p = re.compile('<a href="((?:http:\/\/www\.|https:\/\/www\.|http:\/\/|https:\/\/)'\ 
         '(youtu|www.youtube|youtube|vimeo|dailymotion|)'\ 
         '\.(?:.+?))"',re.DOTALL) 

match = p.findall(html) 
for title in match: 
    print '<a href="' + title[0] + '>' + title[1] + '</a>' 

title[i]でグループにアクセスします。

Answer 2

あなたは、単に使用することができます。

print '<a href="'+''.join(title)+'>'+title[1]+'</a>' 

あなたのマッチング要素は、各要素が一致するグループであるタプルで構成されています。したがって、それらを一緒に結合してURLを形成し、2番目の要素はリンクに名前を付けるために使用するグループになります。