如何使用Beautiful Soup从Script标签的articleBody内容中提取目标URL

嘿，针对你遇到的这个问题，其实有几种靠谱的解决方案，咱们一个个来看：

方法一：正则表达式（灵活通用） #

既然你已经考虑过正则，这确实是个很适合的方案，因为目标URL的格式很固定——紧跟在#iframe: 之后，直到第一个(结束。咱们可以写一个精准的正则来匹配：

import re
import json
from bs4 import BeautifulSoup

# 假设你已经拿到了soup对象
script_content = soup.find('script', type='application/ld+json').text
data = json.loads(script_content)
article_body = data['articleBody']

# 匹配URL
url_match = re.search(r'#iframe: (https?://[^)]+)', article_body)
if url_match:
    target_url = url_match.group(1)
    print(target_url)
    # 输出结果：https://audm.herokuapp.com/player-embed?pub=newyorker&articleID=60db43bb53829a9732660612

这个正则的逻辑很清晰：

• https?://：匹配以http或https开头的URL
• [^)]+：匹配所有不是右括号的字符，刚好能截取到URL的结尾（因为后面就是(100%x90)）

方法二：字符串分割（简单直观） #

如果你的目标格式完全固定（不会有其他变种），直接用字符串分割会更简单，不需要依赖正则库：

import json
from bs4 import BeautifulSoup

script_content = soup.find('script', type='application/ld+json').text
data = json.loads(script_content)
article_body = data['articleBody']

# 分步分割提取
if '#iframe: ' in article_body:
    # 先分割出#iframe:后面的内容
    post_iframe_part = article_body.split('#iframe: ')[1]
    # 再分割出(前面的内容，就是目标URL
    target_url = post_iframe_part.split('(')[0].strip()
    print(target_url)

这种方法的优点是代码可读性高，新手也能一眼看懂，而且对于固定格式的文本处理性能略优（虽然这个场景下差异可以忽略）。

怎么选？ #

• 如果以后可能遇到格式小变化（比如URL前后有空格、或者#iframe:后面有空格），正则更灵活，稍微调整表达式就能适配；
• 如果格式永远不会变，字符串分割更直接，代码更简洁。

不管用哪种方法，记得加个判断（比如if url_match或者if '#iframe: ' in article_body），避免因为页面结构变化导致代码报错~

内容的提问来源于stack exchange，提问作者JetJaguar124