精品技术论坛 - 【求助】如何用VBA或其他（例如Python）获取文本中特定字符？

精品技术论坛 (https://bbs.et8.net/bbs/index.php)

- 『软件使用』 (https://bbs.et8.net/bbs/forumdisplay.php?f=17)

- - 【求助】如何用VBA或其他（例如Python）获取文本中特定字符？ (https://bbs.et8.net/bbs/showthread.php?t=1366768)

netsonic

2019-01-19 20:26:50

【求助】如何用VBA或其他（例如Python）获取文本中特定字符？

1 个附件

要获取的字符是以“https://v.qq.com/x/page/”，开始的网址
例如：“https://v.qq.com/x/page/n08227d6av4.html”

有个问题，每个这样的网址在文本里会出现两次，但结果只要一个，每个网址一行，不要引号。

hefish

2019-01-19 20:43:31

用正则匹配一下，应该可以吧。

antony

2019-01-19 21:35:33

正则。。。。

<strong.*?href="(https://v.qq.com/x/page/.*?.html)"

取获取的值的group[1]

aspirer

2019-01-19 23:54:36

代码丑一点,凑合先用一下吧. 已去重复的URL
python

代码:

import re



txt=r"G:\\TEMP\网页源码.TXT"

with open(txt) as f:

    url_list=[]

    for line in f:

        urls =  re.findall('http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', line)

        if urls: 

            urls=[x for x in urls if 'https://v.qq.com/x/page/' in x]

            url_list.extend(urls)

    print(list(set(url_list)))

    

    #要一行一个再用下面的打印下

    for x in url_list:

        print(x)

netsonic

2019-01-20 10:12:30

2 个附件

引用:

作者: aspirer (文章 17291143)

代码丑一点,凑合先用一下吧. 已去重复的URLpython[CODE]import retxt=r"G:\\TEMP\网页源码.TXT"with open(txt) as f: url_list=[] for line in f: urls = re.findall('h......

网页源码.TXT放在F盘根目录下，
Python 3.7.1 IDLE打开code.py，没反应啊。

dodowolf

2019-01-20 13:47:53

引用:

作者: netsonic (文章 17291232)

网页源码.TXT放在F盘根目录下，
Python 3.7.1 IDLE打开code.py，没反应啊。

菜单 Run->Run Module

netsonic

2019-01-20 18:27:43

引用:

作者: dodowolf (文章 17291278)

菜单 Run->Run Module

Traceback (most recent call last):
File "F:\code.py", line 6, in <module>
for line in f:
UnicodeDecodeError: 'gbk' codec can't decode byte 0xbf in position 2: illegal multibyte sequence

dodowolf

2019-01-21 12:00:34

1 个附件

引用:

作者: netsonic (文章 17291344)

Traceback (most recent call last):
File "F:\code.py", line 6, in <module>
for line in f:
UnicodeDecodeError: 'gbk' codec can't decode byte 0xbf in positio...

代码:

package main



import (

        "bufio"

        "fmt"

        "log"

        "os"

        "strings"

)



func main() {

        var filePath string;

        pattern := "https://v.qq.com/x/page/"

        if len(os.Args) > 1 {

                filePath = os.Args[1]

        }

        if len(os.Args) > 2 {

                pattern = os.Args[2]

        }

        if len(filePath) == 0 {

                fmt.Println("No file path specified")

                return

        }



        fFile, err := os.Open(filePath)

        if err != nil {

                panic(err)

        }

        defer fFile.Close()



        scanner := bufio.NewScanner(fFile)

        urls := map[string]struct{}{}



        for scanner.Scan() {

                text := scanner.Text()

                if pos:=strings.Index(text, pattern); pos > 0 {

                        endpos := strings.Index(text[pos:], "\"")

                        url := text[pos:pos+endpos]

                        if _, ok := urls[url]; !ok {

                                fmt.Println(url)

                                urls[url] = struct{}{}

                        }

                }

        }



        if err := scanner.Err(); err != nil {

                log.Fatal(err)

        }



}

extracturl 文件名 <可选的前缀>

aspirer

2019-01-22 22:41:45

引用:

作者: netsonic (文章 17291232)

网页源码.TXT放在F盘根目录下，
Python 3.7.1 IDLE打开code.py，没反应啊。

我这一切正常啊。

可能1是头部我没有加。
2有可能是文件编码问题。
先加上头部 # -*- coding: utf-8 -*-试试。
不行，就加上 encoding='gbk'
即那一行换成 with open(txt,encoding='gbk') as f:

代码:

# -*- coding: utf-8 -*-

"""

Created on Sat Jan 19 23:31:51 2019



@author: aspirer

"""



import re



txt=r"G:\\TEMP\网页源码.TXT"

with open(txt) as f:

    url_list=[]

    for line in f:

        urls =  re.findall('http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', line)

        if urls: 

            urls=[x for x in urls if 'https://v.qq.com/x/page/' in x]

            url_list.extend(urls)

    #print(list(set(url_list)))



    #要一行一个用下面的打印

    for x in url_list:

        print(x)

所有时间均为北京时间, 现在的时间是 18:58:42.

本论坛带宽由迅通网络提供
 SSL证书由TrustAsia提供