使用Python將字符串URL拆分為單詞

Question

如何從python中的字符串（URL）中獲得各種單詞？ 從如下網址：

http://www.sample.com/level1/level2/index.html?id=1234

我想得到這樣的詞：

http, www, sample, com, level1, level2, index, html, id, 1234

任何使用python的解決方案。

謝謝。

Answer 1

這是您可能會對所有網址執行的操作

import re
def getWordsFromURL(url):
    return re.compile(r'[\:/?=\-&]+',re.UNICODE).split(url)

現在您可以將其用作

url = "http://www.sample.com/level1/level2/index.html?id=1234"
words = getWordsFromURL(url)

Answer 2

只是根據非字母數字的最大序列進行正則表達式拆分：

import re
l = re.split(r"\W+","http://www.sample.com/level1/level2/index.html?id=1234")
print(l)

收益率：

['http', 'www', 'sample', 'com', 'level1', 'level2', 'index', 'html', 'id', '1234']

這很簡單，但是正如有人指出的那樣，如果URL名稱中有_ ， - ，...，則不起作用。 因此，較不有趣的解決方案是列出所有可能分隔路徑部分的令牌：

l = re.split(r"[/:\.?=&]+","http://stackoverflow.com/questions/41935748/splitting-a-stri‌​ng-url-into-words-us‌​ing-python")

（我承認我可能已經忘記了一些分隔符號）