如何提取HTML文件中script标签内的特定hash值

错误点说明 #

你写的re.search(html, "hash: (*?),")存在3个核心问题：

• re.search参数顺序颠倒，第一个参数需传入正则规则，第二个才是待匹配的文本内容
• 原JS代码中hash是带双引号的键"hash"，未匹配双引号会导致匹配失败
• 通配符语法错误，*不能单独使用，需前置指定匹配的字符类型，匹配任意字符的非贪婪写法为.*?

正确实现方案（BeautifulSoup + 正则 双保险） #

先通过BeautifulSoup提取最后一个script标签的内容，再用正则匹配hash值，避免前面的script标签出现同名字段干扰：

from bs4 import BeautifulSoup
import re

# 假设你的HTML内容存在html_content变量中
# 没有安装lxml库可将解析器替换为Python内置的html.parser
soup = BeautifulSoup(html_content, 'lxml')
# 提取所有script标签，取下标为-1的最后一个
last_script_content = soup.find_all('script')[-1].string

# 编写正则匹配hash值
hash_match = re.search(r'"hash"\s*:\s*"([a-f0-9]+)"', last_script_content)
if hash_match:
    target_hash = hash_match.group(1)
    print(target_hash) # 输出结果：13334a0e457f0793ec

正则规则说明 #

r'"hash"\s*:\s*"([a-f0-9]+)"'各部分含义：

• r标记原始字符串，避免Python转义字符和正则转义规则冲突
• "hash"精准匹配JS中的键名
• \s*匹配0个或多个空白字符，兼容代码格式化时加的空格/换行
• ([a-f0-9]+)捕获组，匹配hash值的十六进制字符（0-9、a-f），拿到的结果就是需要的hash值

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