Любой символ включая перенос

[xpert13]

'a[^>]+href=' тоже довольно странно писать... тем более между ними запросто может быть таргет_бланк

Как раз наоборот, это правильный вариант в данном случае, так как комбинация [^>]+ как раз таки и гарантирует, что между а и href= может быть не только пробел, а и класс, и стили и всё что угодно кроме закрывающей угловой скобки .

Как сделать '(.*?)' если отсутствуют слова из списка?

А вот этого вопроса я не понял, какие слова из списка? Приведите лучше пример что есть и что хотите получить, так проще понять что вам нужно.

 

[TrastMan]

Есть допустим 'хttp://domain.com/slovo1/' и xttp://domain.com/slovo2/ и далее. Нужно проигнорировать ссылку в теле которой есть слово2, а остальные собрать.
На счет a[^>]+href=' . Как только использую эту конструкцию, не работает. х.з. почему.

 

[zzallexx]

ИМХО я бы сначало собрал все ссылки а потом рассортировывал по тому что надо исключал со словами, собирал с картинками и тд.

 

[TrastMan]

ИМХО я бы сначало собрал все ссылки а потом рассортировывал по тому что надо исключал со словами, собирал с картинками и тд.

А что меняется?

 

[zzallexx]

меняется последовательность и процесс раскладывается на этапы а найти универсальную регулярку не всегда возможно особенно если контент на страницах переменный

 

[TrastMan]

Снова проблема с этой регуляркой

re.compile(r'(\href=(\"|\'|\.\.)([^>]*?)(\"|\'|(class=))(.*?)><img)', re.S)

Тестирую и не понимаю, почему в таком случае:

        <tr>
            <td valign="top" class="class">
            <a href="http://www.domain.com/url1" target="_new" rel="nofollow"><img style="border: 1px solid #000000;" name="name" id="id" src="http://domain.com/1.jpg" width="400" height="500" /></a>
            </td>
            <td valign="top" class="class">
            <span class="title">title</span><br>
            text<span class="new">text</span> <br>
            <br>
            <a href="http://www.domain.com/url2" class="class"  title="title">title</a>, <a href="http://www.domain.com/url3" class="class"  title="title">title</a>  <br><br>
            </td>

регулярка собирает "Для просмотра ссылки Войди или Зарегистрируйся" а не "Для просмотра ссылки Войди или Зарегистрируйся".

 

[xpert13]

У меня так:

 

[TrastMan]

Блин, я так и не разобрался с этой софтиной. Посмотрел немного и снес
Если, то что выделено желтым, то так и задумано. Потом линка нормально забирается из этого куска.

                rex = re.compile(r'(\href=(\"|\'|\.\.)([^>]*?)(\"|\'|(class=))(.*?)><img)', re.S)
        urls = [c[2] for c in rex.findall(s)]

Но в полевых условиях это не так.
Погоняв немного скрипт, обнаружил что иногда отрабатывет как надо. Т.е. "Для просмотра ссылки Войди или Зарегистрируйся" тоже иногда забирает...
Мистика, или я снова не догоняю.

 

[xpert13]

Если, то что выделено желтым, то так и задумано. Потом линка нормально забирается из этого куска.

Я знаю, я просто показываю, что работает именно так, как нужно. Только ввиду того, что у меня программа материлась на начало регулярки, а именно на \h, то я удалил слеш, может и вам стоит?

 

[TrastMan]

Не помню уже зачем ставил этот слеш Его исчезновение никак не отразилось на работоспособности регулярки...