python 正则表达式findall函数查找网页中所有的URL

Question

在做 python practice book 的习题，完成如下问题：
Problem 8: Write a program links.py that takes URL of a webpage as argument and prints all the URLs linked from that webpage.
要求使用 python 的 re 模块。

遇到的问题：正则表达式 (src|href)\=\".*?\" 在 re.findall 无法返回数组 以URL 组成的数组，而是返回了['src', 'src', 'href', 'href', 'href', 'href', 'href', 'href', 'href', 'href', 'href', 'src', 'src', 'src', 'href', 'href'...]

Answer 1

findall得到的是(...)所匹配的部分; 建议这样正则修改为这样(src|href)\=(\.*?)\", 你能看到它会返回被括号括起来的匹配部分;

Answer 2

正则表达式提取网页内容太麻烦，容易出错。推荐用beautifulsoup以及xpath