[已解决]问题解决了，但又没完全解决

isdkz

你的代码看起来是在尝试从指定的网页中抓取所有的PDF文件链接。出现问题的可能原因是PDF链接在HTML内容中的格式有所变化，或者你的正则表达式没有正确匹配新网址中的链接格式。

我们来修改一下你的正则表达式。当前，你正在寻找带有 ".pdf" 的  <a>  标签链接，假设它们的格式如  <a href="file.pdf"> 。然而，在实际的HTML代码中，链接可能会有很多其他属性，例如样式、类、id等，并且这些属性的顺序也可能会变化。

下面是一个改进的版本，这个正则表达式会寻找任何  <a>  标签中的链接，只要链接以 ".pdf" 结尾，而不论其他属性如何出现或排序。

1. import re
   
2. import requests
   
3. from urllib.parse import urljoin
   
4. 
   
5. def get_pdf_urls(url):
   
6.     response = requests.get(url)
   
7.     html_content = response.text
   
8. 
   
9.     domain = "http://sdshiyan.jinan.cn/"  # 你需要设置主域名，根据实际情况修改
   
10. 
    
11.     pdf_urls = []
    
12.     pattern = r'<a[^>]*?href="(.*?\.pdf)"'
    
13.     matches = re.findall(pattern, html_content)
    
14.     for match in matches:
    
15.         absolute_url = urljoin(domain, match)
    
16.         pdf_urls.append(absolute_url)
    
17. 
    
18.     return pdf_urls
    
19. 
    
20. # 指定网址进行测试
    
21. url = "http://sdshiyan.jinan.cn/art/2023/7/14/art_5081_296939.html"
    
22. pdf_urls = get_pdf_urls(url)
    
23. print(pdf_urls)
    

复制代码

我修改的正则表达式为 <a[^>]*?href="(.*?\.pdf)" ，在 <a 和 href 之间的部分使用了 [^>]*? 来匹配可能出现的其他属性。 [^>] 代表匹配任何不是 > 的字符， * 代表前面的字符可以出现任意次， ? 则使得这个匹配是非贪婪的，也就是说尽可能少的匹配字符。

这个正则表达式应该可以更好的应对链接属性的变化。然而请注意，正则表达式并不能处理所有HTML的复杂性。如果你需要处理更复杂的HTML结构，可能需要考虑使用像BeautifulSoup这样的HTML解析库。