urlparse在每个url上都完全失败

Question

下面的代码没有返回一个非空的urlparse.netloc或urlparse.scheme。方案和netloc被放在path组件的前面。请问我做错了什么？

#! /usr/bin/python
# -*- coding: UTF-8 -*-

from urllib import urlopen  
from urlparse import urlparse, urljoin 
import re   
link_exp = re.compile("href=(.+?)(?:'|\")", re.UNICODE)  

flux = urlopen("http://www.w3.org") 
links = [urlparse(x) for x in link_exp.findall(flux.read())]
for x in links : 
    print x

这将提取每一个(？也许我的正则表达式是错的) url，并打印它，除了'http://‘总是在路径中，而不是在方案中。怎么会这样?当我解决了这个问题后，我可能应该重新实现urlparse功能，因为这是一个课程练习，而不是一个真实的场景。很抱歉没有更清楚地说明这一点！

Answer 1

您的正则表达式是错误的：

x = "<a href='http://www.bbcnews.com'>foo</a>"
link_exp.findall(x)
# ["'http://www.bbcnews.com"]

请注意，您包含了开头的引号。

Answer 2

使用以下命令：

link_exp = re.compile(r"href=\"(.+?)(?:'|\")", re.UNICODE)  

输出：

...
ParseResult(scheme='http', netloc='ev.buaa.edu.cn', path='/', params='', query='', fragment='')
...