從for循環生成的url列表中查找內容中的特定url需要什麼正則表達式？

Question

我寫這篇文章我知道有兩個部分對於這個問題，但是我想我只有真正停留在第一部分，因此第二僅供方面：

A部分：

我需要搜索（其中每個值是一個網址）通過一個for循環返回的每個值中的內容如下：

href="/dir/Sub_Dir/dir/163472311232-text-text-text-text/page-n"

其中：

• 的標號163472311232可以是任何長度（即，它可以是5478）
• -text-text-text-text可以是任意數量的不同的詞
• 其中page-n可以是來自page-2直至任何數量
• 其中匹配是不返回不止一次，即只返回唯一匹配，因此只返回以下之一：

href="/dir/Sub_Dir/dir/5422-la-la/page-4

href="/dir/Sub_Dir/dir/5422-la-la/page-4

部分B：

所以邏輯是這樣的：

list_of_urls = original_list 
for url in list_of_urls: 
    headers = {'User-Agent' : 'Mozilla 5.0'} 
    request = urllib2.Request(url, None, headers) 
    url_for_re = urllib2.urlopen(request).read() 
    another_url = re.findall(r'href="(/dir/Sub_dir\/dir/[^"/]*)"', url_for_re, re.I) 
    file.write(url) 
    file.write('\n') 
    file.write(another_url) 
    file.write('\n') 

對此我希望給我的輸出類似於：

a.html 
a/page-2.html 
a/page-3.html 
a/page-4.html 
b.html 
b/page-2.html 
b/page-3.html 
b/page-4.html 

所以我的問題是（屁股在部分B的邏輯是好的）：

什麼是要求的正則表達式模式用於部分？

我是新手到Python和正則表達式因此這將一定程度上限制了關於我的理解相對複雜的正則表達式的建議等

更新：

建議之後，我試圖測試以下的正則表達式這沒有產生任何結果：

import re 
content = 'href="/dir/Sub_Dir/dir/5648342378-text-texttttt-texty-text-text/page-2"' 
matches = re.findall(r'href="/dir/Sub_Dir/dir/[0-9]+-[a-zA-Z]+-[a-zA-Z]+-[a-zA-Z]+-[a-zA-Z]+/page-([2-9]|[1-9][0-9]+)"', content, re.I) 
prefix = 'http://www.test.com' 
for match in matches: 
    i = prefix + match + '\n' 
    print i 

解決方案：

我認爲這是將工作的正則表達式：

matches = re.findall(r'href="(/dir/Sub_Dir/dir/[^"/]*/page-[2-9])"', content, re.I)

Answer 1

你可以有...你最想要的東西。正則表達式並不真正做到這一點，所以我建議你只用它們來獲取所有的URL，然後自己刪除重複項。

關閉我的頭頂部會是這樣的： href =「/ dir/Sub_Dir/dir/[0-9] + - [a-zA-Z] + - [a-zA-Z ] + - [a-zA-Z] + - [a-zA-Z] + /頁面 - （[2-9]）|（[1-9] [0-9] +）「

Plus或減去轉義規則，允許什麼詞的具體情況等。我是Windows用戶，有一個名爲Expresso的好工具，它有助於學習正則表達式。我希望有一個相當於你使用的任何平臺，它派上用場。