Python正则表达式问题：网页爬取后无法提取目标路径内容

首先看你遇到的问题：re.findall返回空列表，核心原因是正则表达式里多了一个不必要的空格！

你的正则是：

re.findall("^\.\. (\/img\/gifts\/img.*\.jpg)",x)

注意^\.\.后面的空格——但实际你的x值是../img/gifts/img1.jpg这种格式，../和img之间根本没有空格，这就导致正则完全匹配不到内容，自然返回空列表了。

另外还有个小细节：你用了转义的\/，在Python的原始字符串（r""）里其实不需要转义，写起来更清爽。

修正方案 #

这里给你两种简单的解决思路：

思路1：修正正则表达式 #

去掉多余的空格，同时改用原始字符串避免转义麻烦：

import re
from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen("http://pythonscraping.com/pages/page3.html")
soup = BeautifulSoup(html,'lxml')
images = soup.findAll("img", {"src":re.compile("\.\.\/img\/gifts\/img.*\.jpg") })
for image in images:
    x = image['src']
    print(x)
    # 修正后的正则：去掉空格，用原始字符串
    mage = re.findall(r"\.\./(img/gifts/img.*\.jpg)", x)
    print(mage)

运行后就能得到['img/gifts/img1.jpg']这样的结果，提取出了去掉../后的路径。

思路2：直接字符串替换（更简单） #

如果只是要去掉开头的../，其实不需要用正则，直接用字符串的replace方法更高效：

import re
from urllib.request import urlopen
from bs4 import BeautifulSoup

html = urlopen("http://pythonscraping.com/pages/page3.html")
soup = BeautifulSoup(html,'lxml')
images = soup.findAll("img", {"src":re.compile("\.\.\/img\/gifts\/img.*\.jpg") })
for image in images:
    x = image['src']
    print(x)
    # 直接替换开头的../
    cleaned_path = x.replace("../", "")
    print(cleaned_path)

这种方法代码更简洁，也能精准达到你想要的效果。

内容的提问来源于stack exchange，提问作者Beginner4258