从文本文件中提取URL-Python

Question

我正在尝试从包含网站源代码的文本文件中提取URL。我想获取href内的网站链接，并写了一些我从stackoverflow借来的代码，但无法正常工作。with open(sourcecode.txt) as f:    urls = f.readlines()urls = ([s.strip('\n') for s in urls ]) print(url)

Answer 1

使用正则表达式，您可以从文本文件中提取所有网址，而无需逐行循环：

import re

with open('/home/username/Downloads/Stack_Overflow.html') as f:

    urls = f.read()

    links = re.findall('"((http)s?://.*?)"', urls)

for url in links:

    print(url[0])

Answer 2

您可以为此使用正则表达式。

import re

with open('sourcecode.txt') as f:

    text = f.read()

href_regex = r'href=[\'"]?([^\'" >]+)'

urls = re.findall(href_regex, text)

print(urls)

您可能会收到类似的错误'sourcecode' is not defined；这是因为您传递给的参数open()必须是字符串（请参见上文）