字符串正则表达式匹配 (DOI)

Question

嗨，我很难理解为什么我的正则表达式不起作用。

我的 URL 上有 DOI，如下所示：

https://link.springer.com/10.1007/s00737-021-01116-5
https://journals.sagepub.com/doi/pdf/10.1177/1078390319877228
https://journals.sagepub.com/doi/pdf/10.1177/1078390319877228
https://onlinelibrary.wiley.com/doi/10.1111/jocn.13435
https://journals.sagepub.com/doi/pdf/10.1177/1062860613484171
https://onlinelibrary.wiley.com/resolve/openurl?genre=article&title=Natural+Resources+Forum&issn=0165-0203&volume=26&date=2002&issue=1&spage=3
https://dx.doi.org/10.1108/14664100110397304?nols=y
https://onlinelibrary.wiley.com/doi/10.1111/jocn.15833
https://www.tandfonline.com/doi/pdf/10.1080/03768350802090592?needAccess=true

我正在使用例如这个正则表达式，但它总是返回空？

print(re.findall(r'/^10.\d{4,9}/[-._;()/:A-Z0-9]+$/i', 'https://dx.doi.org/10.1108/02652320410549638?nols=y'))

我哪里出错了？

Answer 1

看起来您来自另一种编程语言，该语言具有正则表达式文字的概念，这些文字用正斜杠分隔，并且在右斜杠之后有修饰符（因此/i ）。

在 Python 中没有这样的东西，这些斜杠和修饰符被视为文字字符。 对于像i这样的标志，您可以使用findall的可选flags参数。

其次， ^将匹配输入字符串的开头，但显然您输入的 URL 不以10开头，因此必须为 go。 相反，您可以要求10必须遵循一个分词...即它不应该由一个字母数字字符（或下划线）之前。

同样， $将匹配输入字符串的结尾，但是您的 URL 以 URL 参数继续，例如?nols=y ，因此您感兴趣的部分在输入结束之前不会 go 继续。 所以这也必须是 go 。

点在正则表达式中具有特殊含义，但您显然打算匹配文字点，因此应该对其进行转义。

最后，字母数字字符可以与\w匹配，它也匹配小写和大写拉丁字母，因此您可以稍微缩短字符 class 并且不使用任何标志，例如i ( re.I )。

这给我们留下了：

print(re.findall(r'\b10\.\d{4,9}/[-.;()/:\w]+', 
                'https://dx.doi.org/10.1108/02652320410549638?nols=y'))