如何使用Python从HTML文件中提取链接且排除附属文本

你给出的待处理HTML片段经转义还原后的实际结构为：

<a href="https://www.mk.co.kr/news/culture/view/2021/03/258551/"">abcdefg~blahblahblah</a>
该片段的href属性值末尾附带冗余多余引号，属于网页常见脏数据，解析过程需要兼容这类异常格式。

生产环境推荐方案（BeautifulSoup解析） #

相比正则方案，专门的HTML解析库容错性更强，不会因标签格式偏差出现匹配失效问题，提取href属性时完全不会连带读取标签包裹的展示文本：

• 安装依赖：运行 pip install beautifulsoup4 lxml
• 实现代码：

from bs4 import BeautifulSoup

# 替换为实际待处理的原始HTML字符串
raw_html = '<a href="https://www.mk.co.kr/news/culture/view/2021/03/258551/"">abcdefg~blahblahblah</a>'
soup = BeautifulSoup(raw_html, 'lxml')

# 定位a标签，直接提取href属性值，不会读取标签内的展示文本
target_link = soup.find('a').get('href')
print(target_link)

• 运行输出：https://www.mk.co.kr/news/culture/view/2021/03/258551/

无依赖轻量方案（正则实现） #

仅适合临时处理固定格式的简单HTML片段，无需安装第三方库即可完成提取：

import re

raw_html = '<a href="https://www.mk.co.kr/news/culture/view/2021/03/258551/"">abcdefg~blahblahblah</a>'
# 匹配规则兼容单/双引号包裹的href、属性间多余空格、后续冗余属性的场景
match_result = re.search(r'<a[^>]*?href\s*=\s*["\']([^"\']+)["\']', raw_html)
if match_result:
    target_link = match_result.group(1)
    print(target_link)

注意：正则解析HTML的容错性较差，碰到属性顺序变动、URL嵌套特殊字符的场景容易出现匹配错误，不适合大规模爬取任务使用。

内容的提问来源于stack exchange，提问作者komerican