Python正则负向预查问题：如何排除带特定class的HTML链接

你的思路是对的：要排除带class="mw-disambig"的<a>标签，但当前的正则没考虑到HTML属性的灵活性——比如class可能不在href紧挨着的位置，或者中间隔着其他属性（比如title）。

为什么你的正则会匹配到不该匹配的内容？ #

你写的正则是：

r'<a href="(.+?)"(?! class="mw-disambig")'

这个负向预查(?! class="mw-disambig")只会检查**href引号结束后紧跟的内容**是不是 class="mw-disambig"。但如果<a>标签是这样的：

<a href="你的链接" title="Тюльпан" class="mw-disambig">

href引号结束后紧跟的是 title="Тюльпан"，不是 class="mw-disambig"，所以预查会“误以为”这个标签符合要求，直接匹配了链接——但实际上它带了我们要排除的class。

哪怕是class紧挨着href的情况，也可能因为空格的差异（比如HTML里是"class="mw-disambig"没有空格）导致预查失效。

两种解决办法，推荐第二种！ #

办法1：修正正则，让它检查整个标签

要确保整个<a>标签里完全没有class="mw-disambig"，可以用这个正则：

r'<a\s+(?:(?!class="mw-disambig")[^>])*href="(.+?)"(?:(?!class="mw-disambig")[^>])*>'

简单说，这个正则会先跳过所有包含class="mw-disambig"的<a>标签部分，只提取那些完全没有这个class的标签里的href。

办法2：用HTML解析库代替正则（强烈推荐）

正则天生不适合处理HTML——HTML的结构太灵活了，属性顺序、空格、引号类型（单/双）都可能变，正则很容易翻车。

用BeautifulSoup这种专业的HTML解析库，代码简洁还靠谱：

from bs4 import BeautifulSoup

# 把你的HTML内容放到html变量里
soup = BeautifulSoup(html, 'html.parser')
# 提取所有不带mw-disambig类的a标签的href
valid_links = [a['href'] for a in soup.find_all('a', class_=lambda cls: cls != 'mw-disambig')]

这种方法不管属性怎么排序、有没有多余空格，都能准确排除目标标签，比正则省心多了。

内容的提问来源于stack exchange，提问作者Arzybek