Python提取HTML中特定PDF链接的方法求助

给你两种可行的方案，新手也能快速上手：

方案1：用正则表达式（适合当前简单HTML结构） #

你之前用正则失败大概率是匹配规则没写对，试试这个精准匹配的规则：

import re

# 假设你已经把HTML内容读取到了html_content变量中
html_content = """<td><a href="/archiv/zivotopisy/2022/6/Zivotopis-OJVLA-20220624132548.pdf" target="_blank">Jitka Horáková</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/6/Zivotopis-XUBIC.pdf" target="_blank">Bohumil Tobolka</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/5/Zivotopis-UNBLA.pdf" target="_blank">Stanislava Rousová, Ing.</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/4/Zivotopis-NYBCF-20220407134152.pdf" target="_blank">Ladislav Macháč</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/4/Zivotopis-PVDPA.pdf" target="_blank">Dana Macháčová</a></td>"""

# 匹配以/archiv开头、.pdf结尾的href属性值
pattern = r'href="(/archiv.*?\.pdf)"'
links = re.findall(pattern, html_content)

# 将提取到的链接写入TXT文件
with open('pdf_links.txt', 'w', encoding='utf-8') as f:
    for link in links:
        f.write(link + '\n')

说明：.*?是非贪婪匹配，避免把多个链接误识别成一个；\.是转义点号，因为正则里点号默认匹配任意字符。

方案2：用HTML解析库（推荐，更健壮） #

如果以后HTML结构变复杂（比如标签嵌套、属性顺序改变），正则很容易失效，用BeautifulSoup解析HTML更靠谱：

1. 先安装依赖库：pip install beautifulsoup4
2. 运行下面的代码：

from bs4 import BeautifulSoup

html_content = """<td><a href="/archiv/zivotopisy/2022/6/Zivotopis-OJVLA-20220624132548.pdf" target="_blank">Jitka Horáková</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/6/Zivotopis-XUBIC.pdf" target="_blank">Bohumil Tobolka</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/5/Zivotopis-UNBLA.pdf" target="_blank">Stanislava Rousová, Ing.</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/4/Zivotopis-NYBCF-20220407134152.pdf" target="_blank">Ladislav Macháč</a></td>
                                    <td><a href="/archiv/zivotopisy/2022/4/Zivotopis-PVDPA.pdf" target="_blank">Dana Macháčová</a></td>"""

# 解析HTML内容
soup = BeautifulSoup(html_content, 'html.parser')
links = []

# 遍历所有a标签，筛选符合条件的链接
for a_tag in soup.find_all('a'):
    href = a_tag.get('href')
    if href and href.startswith('/archiv') and href.endswith('.pdf'):
        links.append(href)

# 写入文件
with open('pdf_links.txt', 'w', encoding='utf-8') as f:
    for link in links:
        f.write(link + '\n')

这个方法直接基于HTML结构解析，不用纠结正则的匹配细节，容错性更强。

内容的提问来源于stack exchange，提问作者Alhanz