如何从HTML内嵌JSON中提取指定层级family.products.edges下的uri

正则处理嵌套的JSON结构真的是给自己挖坑——你永远不知道什么时候会遇到转义字符、嵌套层级变化或者格式小变动导致匹配失效。针对你的需求，用Python内置的json模块解析，再定位到指定层级提取URI才是靠谱的方案，具体步骤如下：

步骤1：清理并解析HTML中的JSON字符串 #

你拿到的是内嵌在HTML里的转义JSON（用"代替双引号），首先要把它转换成合法的JSON格式，再解析成Python字典：

import json

# 假设你的test变量是包含转义JSON的字符串
clean_json = test.replace('"', '"')
try:
    data = json.loads(clean_json)
except json.JSONDecodeError as e:
    print(f"JSON解析出错：{e}")
    exit()

步骤2：定位到family -> products -> edges层级提取URI #

根据你描述的结构，我们遍历edges数组，提取符合条件的URI，并且只取前5条：

target_uris = []
# 逐层获取目标层级，用get()避免键不存在报错
products_edges = data.get("family", {}).get("products", {}).get("edges", [])

for edge in products_edges:
    # 注意：GraphQL的edges结构通常是{"node": {...}}，如果你的结构直接在edge里有uri，改成edge.get("uri")即可
    product_uri = edge.get("node", {}).get("uri")
    
    # 过滤符合要求的URI：包含www.barrythrill.se且以.html结尾
    if product_uri and "www.barrythrill.se" in product_uri and product_uri.endswith(".html"):
        target_uris.append(product_uri)
        # 取够5条就停止循环
        if len(target_uris) == 5:
            break

# 输出结果
print(target_uris)

为什么不推荐正则？ #

• JSON的嵌套结构、转义字符（比如字符串里的\"）会让正则表达式变得异常复杂，很容易匹配到非目标层级的URI；
• 如果JSON格式有微小变动（比如空格、键的顺序变化），正则就可能失效，而json模块完全不受这些格式细节影响；
• 代码可读性和可维护性远高于冗长的正则表达式。

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