在正则表达式模式 python 中使用动态 int 变量

Question

我刚开始学习 python，抱歉，如果这个问题已经被问过。

我在这里写是因为那些对我没有帮助，我的要求是读取文件并打印其中的所有 URL。在 for 循环中，我使用的正则表达式模式是[^https://][\w\W]* ，效果很好。 但我想知道我是否可以动态传递 https:// 之后的行长度并获得 output 出现而不是*

我试过[^https://][\w\W]{var}} where var=len(line)-len(https://)

这些是我尝试过的其他一些模式

pattern = '[^https://][\w\W]{'+str(int(var))+'}'

pattern = r'[^https://][\w\W]{{}}'.format(var)

pattern = r'[^https://][\w\W]{%s}'%var

Answer 1

我可能误解了您的问题，但如果您知道 url 始终以https://开头，那么这将是前八个字符。 然后你可以在找到url后得到长度：

# Example of list containing urls - you should fill that with your for loop
list_urls = ['https://stackoverflow.com/questions/61006253/use-dynamic-int-variable-inside-regex-pattern-python', 'https://google.com', 'https://stackoverflow.com']
for url in list_urls:
    print(url[8:])

出去

stackoverflow.com/questions/61006253/use-dynamic-int-variable-inside-regex-pattern-python
google.com
stackoverflow.com

您可以使用re.findall找到所有 url，而不是 for 循环

import re

url_pattern = "((https:\/\/)([\w-]+\.)+[\w-]+[.+]+([\w%\/~\+#]*))"
# text referes to your document, that should be read before this
urls = re.findall(url_pattern, text)

# Using list comprehensions
# Get the unique urls by using set
# Only get text after https:// using [8:]
# Only parse the first element of the group that is returned by re.findall using [0]
unique_urls = list(set([x[0][8:] for x in urls]))

# print the urls
print(unique_urls)

Answer 2

在您的模式中，您使用[^https://]这是一个否定字符 class [^它将匹配除列出的任何字符。

一种选择是使用文字字符串插值。 假设您的链接不包含空格，您可以使用\S而不是[\w\W] ，因为后一种变体将匹配任何字符，包括空格和换行符。

\bhttps://\S{{{var}}}(?!\S)

正则表达式演示

最后的断言(?!\S)是一个空白边界，以防止部分匹配，而单词边界\b将防止 http 成为更大单词的一部分。

Python 演示

例如

import re
line = "https://www.test.com"
lines = "https://www.test.com https://thisisatestt https://www.dontmatchme"

var=len(line)-len('https://')
pattern = rf"\bhttps://\S{{{var}}}(?!\S)"

print(re.findall(pattern, lines))

Output

['https://www.test.com', 'https://thisisatestt']