使用Python正则表达式从指定URL中提取.zip文件名

嘿，我来帮你搞定这个困扰！你之前用\.zip$正则没得到结果，主要是两个原因：一是这个正则只会匹配整个字符串结尾的.zip，但你的HTML文本里每个URL后面还有其他内容（比如</a>标签），根本到不了字符串结尾；二是你没精准定位到<a>标签的href属性里的URL内容，直接在整个HTML文本上匹配自然抓不到。

下面给你两种可行的解决方案：

方案一：调整正则表达式（适合简单场景） #

我们可以写一个正则，先定位到href属性，再捕获URL里最后一个/后面的.zip文件名：

import re

# 你的HTML内容
html = '''<a href="http://www.example.com/files/world_data1.zip"><b>World Data Part 1</b></a> <br/> <a href="http://www.example.com/files/world_data2.zip"><b>World Data Part 2</b></a>'''

# 匹配href中的.zip文件名，捕获分组1就是我们要的文件名
pattern = r'href=".*?([^/]+?\.zip)"'
zip_filenames = re.findall(pattern, html)

# 输出结果
print(','.join(zip_filenames))  # 输出：world_data1.zip,world_data2.zip

正则说明：

• href="：精准定位到链接属性的开头
• .*?：非贪婪匹配，避免一次性匹配到所有内容
• ([^/]+?\.zip)：捕获从最后一个/到.zip的部分（[^/]表示匹配除了/之外的任意字符）

方案二：用HTML解析库（更可靠，推荐） #

正则处理HTML很容易踩坑（比如href用单引号、属性里有空格、HTML结构变化等），更稳妥的方式是用专门的HTML解析库，比如Python的BeautifulSoup：

from bs4 import BeautifulSoup

html = '''<a href="http://www.example.com/files/world_data1.zip"><b>World Data Part 1</b></a> <br/> <a href="http://www.example.com/files/world_data2.zip"><b>World Data Part 2</b></a>'''

# 解析HTML
soup = BeautifulSoup(html, 'html.parser')
zip_filenames = []

# 遍历所有带href属性的<a>标签
for a_tag in soup.find_all('a', href=True):
    url = a_tag['href']
    # 判断URL是否以.zip结尾
    if url.endswith('.zip'):
        # 拆分URL取最后一段作为文件名
        filename = url.split('/')[-1]
        zip_filenames.append(filename)

# 输出结果
print(','.join(zip_filenames))  # 输出：world_data1.zip,world_data2.zip

这个方法不管HTML的写法怎么变（比如href用单引号'，或者URL里有更多层级的路径），都能稳定提取到文件名，适合长期或复杂场景使用。

内容的提问来源于stack exchange，提问作者sqlfirst