我有一個包含推文來源的數(shù)據(jù)框。源的格式如下：<a href="http://twitter.com/download/iphone" rel="nofollow">Twitter for iPhone</a>我正在嘗試找到一種方法來剝離 html 并保留 url。我對正則表達(dá)式不太熟悉，無法真正找到解決方案。任何幫助都會很棒。
3 回答
手掌心
TA貢獻(xiàn)1942條經(jīng)驗 獲得超3個贊
您可以首先通過將標(biāo)簽設(shè)置為BeautifulSoup對象來獲取 url?。如果它已經(jīng)是一個 BeautifulSoup 對象那么你可以直接應(yīng)用它
.find("a").get("href")如果沒有，那么您可以將其設(shè)為 BeautifulSoup 對象。
from bs4 import BeautifulSoup #pip install beautifulsoup4
a_tag ='<a rel="nofollow">Twitter for iPhone</a>'
soup = BeautifulSoup(a_tag,"html5lib") #pip install html5lib
print(soup.find("a").get("href"))
#output - > http://twitter.com/download/iphone
然后用這個函數(shù)去掉html，文字就剩下了
import re
def remove_html_tags(raw_html):
? ? cleanr = re.compile("<.*?>")
? ? clean_text = re.sub(cleanr,'',raw_html)
? ? return clean_text
output = remove_html_tags(a_tag)
print(output)
#output -> Twitter for iPhone
BIG陽
TA貢獻(xiàn)1859條經(jīng)驗 獲得超6個贊
您可以使用 python?urlextract模塊從任何字符串中提取 URL -
from urlextract import URLExtract
text = '''
<a rel="nofollow">Twitter for iPhone</a>
'''
text = text.replace(' ', '').replace('=','')
extractor = URLExtract()
print(extractor.find_urls(text))
輸出-
['http://twitter.com/download/iphone']
慕姐4208626
TA貢獻(xiàn)1852條經(jīng)驗 獲得超7個贊
您可以拆分“”。并獲取第二個元素。
.split('"')[1]https://docs.python.org/3/library/stdtypes.html?highlight=split#str.split
添加回答
舉報
0/150
提交
取消