Python链接爬取正则匹配单一扩展名正常，多扩展名匹配失效

问题核心是正则表达式里的捕获组导致re.findall()行为变化：

• 原正则r'http[s]?://[^\s]+\.mp3'无捕获组，findall返回整个匹配的完整链接；
• 修改后的r'http[s]?://[^\s]+\.(mp3|flac|wav)'包含捕获组(mp3|flac|wav)，findall会优先返回捕获组匹配的内容（即扩展名），而非整个链接。

修正方案 #

将捕获组改为非捕获组（语法(?:...)），确保findall返回完整匹配链接：

import re
import requests

url = input('Enter URL: ')
html_content = requests.get(url).text

# 使用非捕获组，让findall返回完整链接
pattern = re.compile(r'http[s]?://[^\s]+\.(?:mp3|flac|wav)')

# 提取所有匹配的完整链接
links = re.findall(pattern, html_content)

# 去重
links = list(set(links))

# 写入文件
with open('links.txt', 'w') as file:
    for link in links:
        file.write(link + '\n')

补充说明 #

若需同时获取完整链接和扩展名，可改用re.finditer()遍历匹配对象：

matches = re.finditer(r'http[s]?://[^\s]+\.(mp3|flac|wav)', html_content)
links = [match.group(0) for match in matches]  # group(0)取完整链接，group(1)取扩展名

内容的提问来源于stack exchange，提问作者Sealfan69