用beautifulsoup提取style中的背景网址，无需正则表达式？

Question

我有：

<div class="image" style="background-image: url('/uploads/images/players/16113-1399107741.jpeg');"

我想获取网址，但我不知道怎么做，不想用正则表达式。这样做可能吗？

到目前为止，我用正则表达式的解决方案是：

url = re.findall('\('(.*?)'\)', soup['style'])[0]

Answer 1

这里有另一种正则表达式的选择，可以确保“background-image: url”也能被匹配到：

re.findall(".*background-image *: *url\((.*)\)", soup["style"])[0]

如果你还想去掉引号，这段代码应该可以做到：

re.findall(".*background-image *: *url\((.*)\)", soup["style"])[0].strip(" \'\"")

Answer 2

如果不使用正则表达式，你可以直接用 str.find 和字符串切片来解决问题：

>>> s
"background-image: url('/uploads/images/players/16113-1399107741.jpeg');"
>>> s.find("('")
21
>>> s.find("')")
68
>>> s[21+len("('"):68]
'/uploads/images/players/16113-1399107741.jpeg'

不过，我觉得在你的情况下，使用正则表达式会更好。

Answer 3

在编程中，有时候我们会遇到一些问题，可能是因为代码写得不够好，或者是我们对某些概念理解得不够透彻。比如，有人可能会在使用某个功能时，发现它的表现和预期不一样。这种情况就需要我们仔细检查代码，看看哪里出了问题。

有时候，问题可能出在我们对某些工具或库的使用上。比如，某个函数可能需要特定的参数，如果我们传入了错误的值，结果就会不如我们所想的那样。理解这些工具的使用方法和限制是非常重要的。

另外，调试也是一个很重要的技能。通过逐步检查代码，看看每一步的输出，我们可以找到问题的根源。很多时候，问题并不是出在我们想象中的地方，而是在一些细节上。

总之，编程是一门需要不断学习和实践的技能。遇到问题时，不要气馁，仔细分析，寻找解决方案，慢慢你就会变得越来越熟练。

from bs4 import BeautifulSoup
import re
html = """<div class="image" style="background-image: url('/uploads/images/players/16113-1399107741.jpeg');"""

soup = BeautifulSoup(html,'html.parser')
image_div = soup.find('div')['style']

ptr = re.search("http.*[)]",image_div) # regex to search url till ')'
print(image_div[ptr.start():ptr.end()-1]) # end() -1 to remove ')' 

Answer 4

你可以试试用 str.split 这个方法：

>>> style
'<div ... url(\'/uploads/images/players/16113-1399107741.jpeg\');"'
>>> style.split("('", 1)[1].split("')")[0]
'/uploads/images/players/16113-1399107741.jpeg'

Answer 5

你可以试试使用 cssutils 这个包。像这样做应该可以：

import cssutils
from bs4 import BeautifulSoup

html = """<div class="image" style="background-image: url('/uploads/images/players/16113-1399107741.jpeg');" />"""
soup = BeautifulSoup(html)
div_style = soup.find('div')['style']
style = cssutils.parseStyle(div_style)
url = style['background-image']

>>> url
u'url(/uploads/images/players/16113-1399107741.jpeg)'
>>> url = url.replace('url(', '').replace(')', '')    # or regex/split/find/slice etc.
>>> url
u'/uploads/images/players/16113-1399107741.jpeg'

虽然最后你还是需要提取出实际的链接，但这个方法对HTML的变化会更稳健。如果你真的不喜欢处理字符串和正则表达式，你可以用这种间接的方法来提取链接：

sheet = cssutils.css.CSSStyleSheet()
sheet.add("dummy_selector { %s }" % div_style)
url = list(cssutils.getUrls(sheet))[0]
>>> url
u'/uploads/images/players/16113-1399107741.jpeg'