Cách dùng Python Regex trích xuất URL từ thẻ HTML link

Dùng regex để extract URL từ attribute href trong thẻ <a>. Lưu ý: Regex không phải HTML parser hoàn chỉnh, chỉ dùng cho trường hợp đơn giản.

Ví dụ cơ bản

import re

html = 'Link'

# Pattern: href= + quote tùy chọn + capture URL + quote/closing
pattern = r'href=["\']?([^"\'>]+)'

match = re.search(pattern, html)
if match:
    print(match.group(1))  # https://www.santa.com

Kết quả

https://www.santa.com

Pattern cải tiến (robust hơn)

# Xử lý: single/double quote, space quanh =, attribute khác trước/sau
pattern = r'href\s*=\s*["\']([^"\']+)["\']'

# Hoặc dùng non-greedy cho attribute value
pattern = r'href\s*=\s*["\'](.*?)["\']'

Extract TẤT CẢ links trong trang

html = '''
Site 1
Site 2
Site 3
'''

urls = re.findall(r'href\s*=\s*["\']?([^"\'>\s]+)', html)
print(urls)
# ['https://site1.com', 'https://site2.com', 'https://site3.com']

⚠️ Cảnh báo: Regex KHÔNG phải HTML Parser

Regex thất bại với: nested tags, comment, script/style content, malformed HTML, entity encoding.

Cách đúng: Dùng HTML Parser

from bs4 import BeautifulSoup

soup = BeautifulSoup(html, 'html.parser')
urls = [a['href'] for a in soup.find_all('a', href=True)]
print(urls)
# ['https://site1.com', 'https://site2.com', 'https://site3.com']

Tóm tắt

• Regex đơn giản: href=["\']?([^"\'>]+) cho trường hợp cơ bản.
• Production: BeautifulSoup hoặc lxml.
• Regex chỉ dùng cho quick script, log parsing, HTML đơn giản/controlled.