Исключая символы в совпадении регулярного выражения \ S

Почему вы пытаетесь сопоставить HTML-ссылки с регулярным выражением?

В зависимости от того, что вы пытаетесь сделать, подходящие действия будут отличаться.

Вы можете попробовать использовать HTML-парсер. Доступно несколько, есть даже один в библиотеке Python: https://docs.python.org/library/htmlparser.html

Надеюсь это поможет!

>>> import re
>>> regex = '<a\s+href=["\'](http://(.*?))["\']>'
>>> string = '<a href = "http://google.com/test/this">'
>>> match = re.search(regex, string)
>>> match.group(1)
'http://google.com/test/this'
>>> match.group(2)
'google.com/test/this'

объяснения:

 \s+   = match at least one white space (<ahref) is a bad link
 ["\'] = character class, | has no meaning within square brackets
         (it will match a literal pipe "|")

Я не думаю, что ваше регулярное выражение делает то, что вы хотите.

<a\s*href=['|"](http://(.*?)\S['|"]>

Это захватывает все, что угодно, от http: // до первого непробельного символа перед кавычкой, одинарной кавычкой или вертикальной чертой. В этом отношении я не уверен, как он разбирается, поскольку, похоже, у него недостаточно близких пар.

Если вы пытаетесь захватить href, вы можете попробовать что-то вроде этого:

<a .*?+href=['"](http://.*?)['"].*?>

Здесь используется расширение. *? (нежадное сопоставление с чем-либо), чтобы разрешить другие атрибуты (цель, заголовок и т. д.). Он соответствует href, который начинается и заканчивается одинарной или двойной кавычкой (он не различает и позволяет href открываться одной и закрывать другой).

\ S соответствует любому символу, не являющемуся пробелом, как и [^ \ s]

Написано так, вы можете легко исключить кавычки: [^ \ s "']

Обратите внимание, что вам, скорее всего, придется указать. *? в вашем регулярном выражении такое же лечение. Точка соответствует любому символу, кроме символа новой строки, как и [^ \ r \ n]

Опять же, написав так, вы можете легко исключить кавычки: [^ \ r \ n '"]

Прочтите книгу Джеффа Фридла «Освоение регулярных выражений».

Как написано:

<a\s*href=['|"](http://(.*?)\S['|"]>

У вас в выражении несбалансированные круглые скобки. Может быть, проблема в том, что первое совпадение обрабатывается как «прочитанное до конца регулярного выражения». Кроме того, почему бы вам не нужен последний непробельный символ URL-адреса?

. *? (ленивый жадный) оператор интересен. Однако должен сказать, что я был бы более склонен написать:

<a\s+href=['|"]http://([^'"><]+)\1>

Это различает "<ahref" (несуществующий тег HTML) и "<a href" (действительный тег HTML). Он не записывает префикс http: //. Я не уверен, нужно ли вам избегать косых черт - в Perl, где я в основном работаю, мне это не нужно. Захватывающая часть использует жадное совпадение, но только для символов, которые могут полузаконно появляться в URL-адресе. В частности, он исключает как кавычки, так и конечный тег (а также, для хорошей оценки, начальный тег). Если вам действительно нужен префикс http: //, сдвиньте скобку захвата соответствующим образом.

Я столкнулся с проблемой одинарных кавычек в некоторых URL-адресах, например, от Fox Sports. Я сделал небольшую корректировку, которая, как мне кажется, должна помочь.

http://msn.foxsports.com/mlb/story/9152594/Fehr: "Повышенная" обеспокоенность по поводу рынка свободных агентов

/<a\s+href\s*=\s*["'**************#

это требует, чтобы за закрывающей кавычкой следовала пробел или закрывающая скобка.