【求助】如何用VBA或其他（例如Python）获取文本中特定字符？

[netsonic]

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]

用正则匹配一下，应该可以吧。

[antony]

正则。。。。

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

取获取的值的group[1]

[aspirer]

代码丑一点,凑合先用一下吧. 已去重复的URL
python

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]

作者: aspirer

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]

作者: netsonic

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]

作者: dodowolf

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]

作者: netsonic

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...

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]

作者: netsonic

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:

# -*- 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)