Skip to main content
5 de 5
se añadieron 4 caracteres en el cuerpo
Anki Jedi
  • 959
  • 5
  • 15

Vale hay que hacer unas aclaraciones sobre tu código y de esta forma darte una solución "Vanilla Python" que no afecte tu entusiasmada búsqueda de "Huffington Post":

file1 = file1.read()

file1.read() guarda un unico string en file1, donde los saltos de linea se guardan como los \n de toda la vida.

occ = re.findall(r"(https?:\/\/.*\.pdf+$)", file1)

El ancla $ buscara ocurrencia al FINAL de file1 (sin contar los saltos de linea), es decir, re.findall buscara en file1 la primera ocurrencia de "http" y luego ira directamente al final de TODO el file1 donde de "casualidad" termina en ".pdf", y se come todo texto que abarca entre el primer "http" y el ultimo ".pdf" dando un valor de 1 (cantidad de elementos en la lista generada), entonces sin mucha modificación podrías simplemente quitar el $ y funcionará:

occ = re.findall(r"(https?:\/\/.*\.pdf+)", file1)

-----------------------Resultado de prueba----------------------

https://d25d2506sfb94s.cloudfront.net/cumulus_uploads/document/73jqd6u5mv/econTabReport.pdf
https://d25d2506sfb94s.cloudfront.net/cumulus_uploads/document/73jqd6u5mv/econTabReport.pdf
https://d25d2506sfb94s.cloudfront.net/cumulus_uploads/document/73jqd6u5mv/econTabReport.pdf
https://d25d2506sfb94s.cloudfront.net/cumulus_uploads/document/73jqd6u5mv/econTabReport.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200214_crosstabs_CORONAVIRUS_Adults_v4_JB.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200214_crosstabs_CORONAVIRUS_Adults_v4_JB.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200214_crosstabs_CORONAVIRUS_Adults_v4_JB.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200214_crosstabs_CORONAVIRUS_Adults_v4_JB.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200213_crosstabs_POLITICO_RVs_v1_AUTO.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200213_crosstabs_POLITICO_RVs_v1_AUTO.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200213_crosstabs_POLITICO_RVs_v1_AUTO.pdf
https://morningconsult.com/wp-content/uploads/2020/02/200213_crosstabs_POLITICO_RVs_v1_AUTO.pdf
> Cantidad de urls encontrados:  12

O bien puedes mantener el ancla $ pero agregarle la bandera re.MULTILINE donde la documentación dice que al ser usada provocara lo siguiente en cuanto al $:

"El caracter de patrón '$' buscara al final de un string y al final de cada linea (inmediatamente precedida de cada salto de linea)".

Quedando el codigo de la siguiente forma:

occ = re.findall(r"(https?:\/\/.*\.pdf+$)", file1, flags = re.MULTILINE)

Sugerencia: aunque esto no afectara la respuesta, deberías quitar el símbolo "+" después de "pdf" porque si llega a suceder un error de texto en la url (lo dudo mucho) podria aceptar "pdffff" xD

Espero que te sirva mi respuesta~

Anki Jedi
  • 959
  • 5
  • 15