正則表達式在包含子字符串且不包含另一個字符串的字符串中查找所有 URL

Question

我設法從這個字符串中過濾掉所有的 URL：

hi, this is your link (but this one is bad formatted and useless):

https://www.test.comhttps://app.test.com/a/b/c/5e20bed422e7880012ba8acc/next?param=1?locale=2

but there is a good link too:

https://app.test.com/a/b/c/5e20bed422e7880012ba8acc/next?param=1?locale=2

and there are also other irrelevant links:

http://www.google.com
http://test.test.com

使用這個正則表達式

http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+

在玩了一段時間后，我一直在試圖理解如何調整它並只得到：

https://www.test.com/a/b/c/5e20bed422e7880012ba8acc/next?param=1?locale=2

過濾掉包含“/next”的 URL 的最簡單方法是什么？ 但不是'comhttps'？

謝謝一堆！

Answer 1

這樣的事情怎么辦？

(https?:\/\/[a-z0-9]+(?:[\-\.]{1}[a-z0-9]+)*\.[a-z]{2,6})(?=https?)(\S+)

我們將使用i標志進行不區分大小寫的搜索。

在這里測試： https : //regex101.com/r/J62XZq/2

解釋

• https?:\\/\\/是尋找http://或https://

• [a-z0-9]+(?:[\\-\\.]{1}[a-z0-9]+)*\\.[az]{2,6}是尋找有效的域名。 我沒有檢查它是否真的完全防彈。 不過好像還不錯。 我們也許可以找到一個官方的正則表達式來驗證域名。 (?:)組是一個非捕獲組（如果我們不需要它）。

• (https?:\\/\\/[a-z0-9]+(?:[\\-\\.]{1}[a-z0-9]+)*\\.[az]{2,6})是一起並在一個組中捕獲，以便我們擁有原始 URL。

• (?=https?)是正向前瞻，因此之前的域必須跟在 http 或 https 之后。 如果您可以使用 ftp 或其他協議，則可能需要對其進行調整。

• (\\S+)是將非空格匹配一次或多次並將其捕獲在一組中（供以后使用和處理。必須處理第二組以擺脫第二個查詢字符串?param=x&option其中可能屬於周圍的 URL。

編輯

由於我們討論了只匹配正確的答案，這意味着我的答案並不是真正的好答案。 理解必須做什么並不總是那么容易。

https://regex101.com/r/J62XZq/7

在這里，我們尋找域名后面沒有http:或https: 。

訣竅是在開頭添加\\b以避免匹配 URL 內的 URL 並在域之后使用負前瞻。

\bhttps?:\/\/[a-z0-9]+(?:[\-\.]{1}[a-z0-9]+)*\.[a-z]{2,6}(?!https?:)\/\S+\/next\?(\S+)

負前瞻是用(?!https?:) （我沒有添加雙斜杠，因為我認為它已經足夠了）。

帶有/next的最后一部分可能不是必需的。 這取決於您是否想將 URL 與內部特定匹配。

Answer 2

用：

\bhttps?://(?=[\w.]*/)(?:(?!https?://).)*

它會找到正確的 url 並拒絕您示例中的其他 url。

演示和說明

---

import re

body_text = '''
hi, this is your link (but this one is bad formatted and useless):

https://www.test.comhttps://app.test.com/a/b/c/5e20bed422e7880012ba8acc/next?param=1?locale=2

but there is a good link too:

https://app.test.com/a/b/c/5e20bed422e7880012ba8acc/next?param=1?locale=2

and there are also other irrelevant links:

http://www.google.com
http://test.test.com
'''
url = re.findall(r"\bhttps?://(?=[\w.]*/)(?:(?!https?://).)*", body_text)
print url

輸出：

['https://app.test.com/a/b/c/5e20bed422e7880012ba8acc/next?param=1?locale=2']