Python正则提取Instagram链接遇误抓取问题求助

问题背景 #

需要从网页中提取类似www.instagram.com%2FMohakMeet的Instagram链接片段，但当前使用的正则表达式会误抓取YouTube页面描述等无关内容，无法精准匹配目标链接。

现有代码 #

for d in g:
  stripped = (d.rstrip())
  url = stripped+"/about"
  print("Retreiving" + url)
  response = requests.get(url)
  data = response.text
  link = re.findall('''(www.instagram.com.+?)\s?"?''', data)

  if link == []:
      print ('No Link')
  else: x = str(link[0])
  print ("Insta Link", x)
  y = x.replace("%2F", '/', 3)
  print (y)
  # with open ('l.txt', 'a') as v:
  #     v.write(y)
      # v.write("\n")

失效的正则模式 #

(www.instagram.com.+?)\s?"?

解决方案 #

修正后的正则表达式 #

(www\.instagram\.com[^"\s]+)

替换后的代码片段 #

把原代码中的正则匹配行替换为：

link = re.findall(r'(www\.instagram\.com[^"\s]+)', data)

正则说明 #

• www\.instagram\.com：转义域名中的点号，避免匹配到类似wwwxinstagramycom这类无关字符串，精准锁定Instagram域名
• [^"\s]+：匹配除双引号、空白字符之外的所有字符，直到遇到这两种边界字符为止，刚好对应目标链接的结束位置，不会过度抓取后续的无关内容

这样就能精准提取www.instagram.com%2FMohakMeet这类目标链接，不会误抓其他页面的无关文本。

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