从网址中提取uuid

Question

我想从网址中提取UUID。

例如：

/ posts / eb8c6d25-8784-4cdf-b016-4d8f6df64a62？mc_cid = 37387dcb5f＆mc_eid = 787bbeceb2
/帖子/ d78fa5da-4cbb-43b5-9fae-2b5c86f883cb / uid / 7034
/帖子/ 5ff0021c-16cd-4f66-8881-ee28197ed1cf

我有成千上万的这种字符串。

我的正则表达式现在是".*\\/posts\\/(.*)[/?]+.*" /（。*）[/ ".*\\/posts\\/(.*)[/?]+.*" ，它的结果如下：

d78fa5da-4cbb-43b5-9fae-2b5c86f883cb / uid
84ba0472-926d-4f50-b3c6-46376b2fe9de / uid
6f3c97c1-b877-40e0-9479-6bdb826b7b8f / uid
f5e5dc6a-f42b-47d1-8ab1-6ae533415d24
f5e5dc6a-f42b-47d1-8ab1-6ae533415d24
f7842dce-73a3-4984-bbb0-21d7ebce1749
fdc6c48f-b124-447d-b4fc-bb528abb8e24

如您所见，我的正则表达式无法摆脱/uid ，但可以处理?xxxx ，查询参数，很好。

我错过了什么？ 如何使它正确？

谢谢

Answer 1

.*模式对于UUID而言过于宽泛和贪婪 ：

>>> import re
>>> data = """
... /posts/eb8c6d25-8784-4cdf-b016-4d8f6df64a62?mc_cid=37387dcb5f&mc_eid=787bbeceb2
... /posts/d78fa5da-4cbb-43b5-9fae-2b5c86f883cb/uid/7034
... /posts/5ff0021c-16cd-4f66-8881-ee28197ed1cf
... """
>>> 
>>> re.findall(r"/posts/([A-Za-z0-9\-]+)", data)
['eb8c6d25-8784-4cdf-b016-4d8f6df64a62', 
 'd78fa5da-4cbb-43b5-9fae-2b5c86f883cb', 
 '5ff0021c-16cd-4f66-8881-ee28197ed1cf']

或者，您可以对UUID格式更加严格，请参见：

• 使用正则表达式搜索文本中的UUID
• 如何测试有效的UUID / GUID？

Answer 2

正则表达式尝试匹配尽可能多的字符（非正式地称为“最大字符”）。

对您的正则表达式.*\\/posts\\/(.*)[/?]+.* /（。*）[/ .*\\/posts\\/(.*)[/?]+.*的纯英语描述将类似于：

匹配任何内容，后跟/posts/ ，后跟任何内容，然后是一个或多个/? ，然后是任何内容。

当我们将该正则表达式应用于此文本时：

.../posts/d78fa5da-4cbb-43b5-9fae-2b5c86f883cb/uid/7034

...最大的munch规则要求第二个“任何”匹配都应尽可能长，因此最终匹配得比您想要的要多：

d78fa5da-4cbb-43b5-9fae-2b5c86f883cb/uid

...，因为仍有/7034部分剩余，与正则表达式的其余部分匹配。

修复此问题的最佳方法是使用仅匹配UID中实际出现的字符的正则表达式（如@alecxe所建议）。