为了使正则表达式适应lxml的自动链接,有两件事要做。首先将整个url模式匹配包装在一个组中(?P<body> ..)
- 这可让lxml知道href=""
属性中的内容。
接下来,将主机部件包装到(?<host> ..)
组中,并在调用自动链接功能时传递参数avoid_hosts=[]
。原因是你正在使用的正则表达式模式并不总是找到一个主机(有时host
部分将是None
),因为它匹配部分网址和模糊的类似网址的模式。
我已经修改了正则表达式以包括上述变化和给定的一个片段的测试用例:
import re
import lxml.html
import lxml.html.clean
url_regexp = re.compile(r"""(?i)\b(?P<body>(?:[a-z][\w-]+:(?:/{1,3}|[a-z0-9%])|www\d{0,3}[.]|(?P<host>[a-z0-9.\-]+[.][a-z]{2,4}/))(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:'".,<>?«»“”‘’]))""")
DOC = """<html><body>
http://foo.com/blah_blah
http://foo.com/blah_blah/.
http://www.extinguishedscholar.com/wpglob/?p=364.
http://✪df.ws/1234
rdar://1234
rdar:/1234
message://%[email protected]%3e
What about <mailto:[email protected]?subject=TEST> (including brokets).
bit.ly/foo
</body></html>"""
tree = lxml.html.fromstring(DOC)
body = tree.find('body')
lxml.html.clean.autolink(body, [url_regexp], avoid_hosts=[])
print lxml.html.tostring(tree)
输出:
<html><body>
<a href="http://foo.com/blah_blah">http://foo.com/blah_blah</a>
<a href="http://foo.com/blah_blah/">http://foo.com/blah_blah/</a>.
<a href="http://www.extinguishedscholar.com/wpglob/?p=364">http://www.extinguishedscholar.com/wpglob/?p=364</a>.
<a href="http://%C3%A2%C2%9C%C2%AAdf.ws/1234">http://✪df.ws/1234</a>
<a href="rdar://1234">rdar://1234</a>
<a href="rdar:/1234">rdar:/1234</a>
<a href="message://%[email protected]%3e">message://%[email protected]%3e</a>
What about <<a href="mailto:[email protected]?subject=TEST">mailto:[email protected]?subject=TEST</a>>
(including brackets).
<a href="bit.ly/foo">bit.ly/foo</a>
</body></html>
这是一个正则表达式的地狱......但它的作品像魅力。还有一个问题:** bit.ly/foo **将链接到一个子文件夹,而不是域名......你将如何解决这个问题? – Titusz 2011-04-12 00:44:45
您提供的正则表达式会匹配url-link文本,但clean.autolink函数是一个黑盒子:它不会让您传递回调来修改链接,然后对它们进行编码。我建议复制clean.autolink和clean._link_text函数,去掉你不使用的东西,并且自定义行为。特别是当你遍历匹配的url时,找到没有'Host'部分的东西,并且在url上添加'http://'方案(以及任何其他您希望应用的规则)。 – samplebias 2011-04-12 01:04:37
谢谢...我现在正在工作...通过简单的后处理来解决它。 (用于body.xpath('// a')中的链接:....) – Titusz 2011-04-12 11:14:14