Python正则表达式求助：匹配HTML页面中特定格式的链接

嘿，我来帮你搞定这个正则匹配的需求！先把你的要求拆解清楚：

匹配规则 #

我们要抓的是仅来自http://www.example.com域名，且路径满足：

• 以category开头，后面跟纯数字（比如category1）或-加数字（比如category-12）的分类目录
• 分类目录后面必须还有至少一段内容路径，最后以/结尾

排除规则 #

• 域名不是http://www.example.com的直接排除
• 分类目录后没有内容、直接以/categoryX/结尾的链接排除

正则表达式方案 #

直接上能满足需求的正则：

^http://www\.example\.com/category(?:\d+|-\d+)/[^/]+/$

正则各部分解释

• ^：锚定字符串开头，确保链接从固定域名开始，避免部分匹配
• http://www\.example\.com/：匹配固定域名，注意.是正则特殊字符，必须用\.转义
• category(?:\d+|-\d+)：匹配分类前缀：
  • category：固定前缀
  • (?:...)：非捕获组（不单独提取分组内容，提升效率）
  • \d+|-\d+：匹配两种分类格式——要么是纯数字（比如1），要么是-加数字（比如-12）
• /：分类目录的结尾斜杠
• [^/]+：匹配至少一个非斜杠的字符，确保分类后还有有效内容（比如some-content-here）
• /：链接的结尾斜杠
• $：锚定字符串结尾，确保链接没有多余后缀

Python代码示例 #

如果是从HTML源码中提取符合条件的链接，可以这样用：

import re

# 模拟你要解析的HTML内容
html_content = """
<a href="http://www.example.com/category1/some-content-here/">有效链接1</a>
<a href="http://www.example.com/category-12/some-content-here/">有效链接2</a>
<a href="http://www.example.com/category1/">要排除的链接</a>
<a href="http://www.example.org/category-12/some-content-here/">要排除的域名链接</a>
<a href="http://www.example.com/category3/another-post/">有效链接3</a>
"""

# 匹配href属性中的目标链接
pattern = r'href="(http://www\.example\.com/category(?:\d+|-\d+)/[^/]+/)"'
matches = re.findall(pattern, html_content)

print("提取到的有效链接：")
for link in matches:
    print(link)

小提醒 #

虽然正则能搞定这个场景，但如果你的HTML结构复杂（比如有嵌套标签、转义字符），用BeautifulSoup这类HTML解析库会更可靠——正则解析HTML容易出现边缘情况错误。不过如果只是针对特定格式的链接提取，上面的正则完全够用。

内容的提问来源于stack exchange，提问作者pseudocode425