如何不依赖bs4等库 从HTML中用正则提取纯净图片链接

正则调整方案 #

你遇到的确实是贪婪匹配问题，同时需要适配两种链接包裹场景、过滤掉查询参数，调整后的实现如下：

完整代码

import re

html = """<img src="https://s2.example.com/path/image0.jpg?lastmod=1625296911"><br>
<div><a style="background-image:url(https://s2.example.com/path/image1.jpg?lastmod=1625296911)"</a><a style="background-image:url(https://s2.example.com/path/image2.jpg?lastmod=1625296912)"></a><a style="background-image:url(https://s2.example.com/path/image3.jpg?lastmod=1625296912)"></a></div>"""

images = []
for line in html.split('\n'):
    images.extend(re.findall(r'(?:src="|url\()(https://s2[^?]+)\?lastmod=\d+', line))

print(images)

调整说明

1. 正则部分用(?:src="|url\()非捕获组匹配两种链接前缀，不会将前缀内容纳入匹配结果
2. 用[^?]+替代原有的.*，既避免了贪婪匹配，又直接截取到查询参数?之前的内容，直接得到无参数的图片链接
3. 列表操作改用extend替代append，避免匹配结果出现嵌套结构
   运行后输出结果和你预期的完全一致。

内容的提问来源于stack exchange，提问作者user16312732