主页 / 问题 / 1371335
Accepted
Елена Сергеева
Asked:2022-06-14 15:23:55 +0000 UTC2022-06-14 15:23:55 +0000 UTC

如何制作正则表达式来搜索文本中的所有 URL？

  • 772

有一个正则表达式可以从 html 文本中提取所有 URL：

r'''http[\:/a-zа-яA-ZА-Я0-9\.\?\=&-]*'''

但它也提取以下值：

https:
http-equiv=
http
http:
https
https?://

如何修复正则表达式，使这样的值不落入最终列表？

它也不适用于没有协议名称的链接，即 链接，www.ria.ru/infografika/否则ria.ru/infografika/找不到。

python

1 个回答

  1. Best Answer

    您需要从相应的答案中获取正则表达式（可以在此处看到其工作）并将捕获组更改为其中的不可捕获组，因为 python 在使用 findall 时会选择存在的组。

    原来是这样的：https ://ideone.com/mMj9b3

    程序：

    import re
pattern = r"(?:https?:\/\/|ftps?:\/\/|www\.)(?:(?![.,?!;:()]*(?:\s|$))[^\s]){2,}"
print(re.findall(pattern, input()))

    输入：

    Возможно, http://сайт.рф? Ну или http://сайт.рф?id=67 - вроде парсится Ну и не без www.google.ru.

    结论：

    ['http://сайт.рф', 'http://сайт.рф?id=67', 'www.google.ru']

    对于以引号结尾的地址：https ://ideone.com/VF0As3

    import re
pattern = r"""(?:https?:\/\/|ftps?:\/\/|www\.)(?:(?![.,?!;:()]*(?:\s|$|"))[^\s"]){2,}"""
print(re.findall(pattern, input()))

    输入：

    <!DOCTYPE html> <html lang="ru"><head prefix="og: http://ogp.me/ns# fb: http://ogp.me/ns/fb# article: http://ogp.me/ns/article# ya: http://webmaster.yandex.ru/vocabularies/"><meta http-equiv="Content-Type" content="text/html; charset=UTF-8"><script> Возможно, http://сайт.рф? Ну или http://сайт.рф?id=67 - вроде парсится Ну и не без www.google.ru.

    结论：

    ['http://ogp.me/ns#', 'http://ogp.me/ns/fb#', 'http://ogp.me/ns/article#', 'http://webmaster.yandex.ru/vocabularies/', 'http://сайт.рф', 'http://сайт.рф?id=67', 'www.google.ru']
    • 2

相关问题