字符串正則表達式匹配 (DOI)

Question

嗨，我很難理解為什么我的正則表達式不起作用。

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

我正在使用例如這個正則表達式，但它總是返回空？

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

我哪里出錯了？

Answer 1

看起來您來自另一種編程語言，該語言具有正則表達式文字的概念，這些文字用正斜杠分隔，並且在右斜杠之后有修飾符（因此/i ）。

在 Python 中沒有這樣的東西，這些斜杠和修飾符被視為文字字符。 對於像i這樣的標志，您可以使用findall的可選flags參數。

其次， ^將匹配輸入字符串的開頭，但顯然您輸入的 URL 不以10開頭，因此必須為 go。 相反，您可以要求10必須遵循一個分詞...即它不應該由一個字母數字字符（或下划線）之前。

同樣， $將匹配輸入字符串的結尾，但是您的 URL 以 URL 參數繼續，例如?nols=y ，因此您感興趣的部分在輸入結束之前不會 go 繼續。 所以這也必須是 go 。

點在正則表達式中具有特殊含義，但您顯然打算匹配文字點，因此應該對其進行轉義。

最后，字母數字字符可以與\w匹配，它也匹配小寫和大寫拉丁字母，因此您可以稍微縮短字符 class 並且不使用任何標志，例如i ( re.I )。

這給我們留下了：

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