如何识别Python中的任意四个int

Question

我正在尝试搜集一系列类似以下三个示例的网站：

www.examplescraper.com/fghxbvn/17901234.html
www.examplescraper.com/fghxbvn/17911102.html
www.examplescraper.com/fghxbvn/17921823.html

请记住，有200个这样的网站，我想通过循环迭代，而不是复制和粘贴到脚本每个网站。你知道吗

如果基数是www.examplescraper.com/fghxbvn/，那么就有一年，后跟四个不遵循模式的数字，然后是.html。你知道吗

所以在第一个网站：

base = www.examplescraper.com/fghxbvn/
year = 1790
four random digits = 1234.html

我想调用（在beautiful soup中）一个url，其中url:

url = base + str(year) + str(any four ints) + ".html"

我的问题：

我如何（在Python中）识别任何四个数字？它们可以是任何数字。我不需要生成四个整数或返回四个整数，我只需要Python接受任意四个整数就可以将它们输入到漂亮的汤中。你知道吗

Answer 1

相关：

Python regex findall numbers and dots

蓝图：

import re
regex = re.compile(r'2011\d{4}')
print regex.match(your_string)

当然：你读过正则表达式：

http://docs.python.org/library/re.html

Answer 2

在处理url时，只要有可能，就应该考虑使用urlparse模块。 这适用于解析url。但您的URL不是urlparse的格式良好的URL。（提示：它不是以scheme/protocol'http'开头的）。你知道吗

对于您的特定任务，可以使用正则表达式，类似于：

>>> s = 'www.examplescraper.com/fghxbvn/17901234.html'  
>>> import re
>>> p = re.compile('(\d{4,4}).html')
>>> p.search(s).groups()[0]
'1234'

Answer 3

我并不完全理解你的问题，但是你可以使用re模块轻松地解析出一个特定格式的文本，就像你在这里看到的那样。例如：

>>> import re
>>> url = "www.examplescraper.com/fghxbvn/17901234.html"
>>> re.match( "(\S+/)(\d{4})(\d{4}).html", url ).groups()
('www.examplescraper.com/fghxbvn/', '1790', '1234')

这会像您描述的那样将URL拆分为一个元组。请务必阅读re模块上的文档。HTH公司