正则表达式匹配来自多个链接的文本

Question

如何提取包含某个单词的链接？

例如：

@987654321@<strong>word</strong>/2@@@@987654322@<strong>word</strong>/3@@@@987654323@<strong>word</strong>/3/text/text

如何从下面的正则表达式中搜索“word”？

((https:).*?(@@@))

结果应该是这样的

https://www.test.com/text/字/2

https://www.test.com/text/text/字/3

https://www.test.com/word/3/text/text

Answer 1

让我们尝试构建这样的正则表达式。首先我们需要找到url的开头：

/(https?:\/\//

我们在https 之后为http 网址添加?。

那么我们需要找到除@@@之外的任何文本，所以我们需要添加：

(?:(?!@@@).)*

这意味着 - 不以@@@ 序列开头的任意数量的字符。

我们还需要再次添加单词本身和之前的子表达式，因为单词可以被任何文本包围：

word(?:(?!@@@).)*

但问题是最后一个子表达式会跳过@@@之前的最后一个字符，所以我们需要再添加一个东西来处理它：

.(?=@@@|$)

这意味着 - 任何字符后跟@@@ 或字符串结尾。最终表达式将如下所示：

/(https:\/\/(?:(?!@@@).)*word(?:(?!@@@).)*.(?=@@@|$))/g

但我相信，最好只用@@@ 分割文本，然后用String.prototype.includes 检查需要的单词。

Answer 2

如果word 必须是路径名的一部分，您可以将filter 与URL 结合使用，并检查路径名的部分是否包含单词。

let str = 'https://www.test.com/text/1@@@https://www.test.com/text/word/2@@@https://www.test.com/text/text/word/3@@@https://www.test.com/3/text@@@https://www.test.com/word/3/text/text';
let filteredUrls = str.split("@@@")
  .filter(s =>
    new URL(s).pathname
    .split('/')
    .includes('word')
  );
console.log(filteredUrls);

如果您只想使用正则表达式并且支持possessive quantifiers（javascript 标签已被移除），您可以使用：

https?://[^@w]*(?:@(?!@@)|w(?!ord)|[^@w]*)++word.*?(?=@@@|$)

Regex demo

Answer 3

上一个答案

你肯定在寻找这个正则表达式：

https://www.test.com/(text/)*word/\d+(/text)*

这是在 JavaScript 上下文中使用它的方法（非常斜线 / 被反斜线 \/ 转义）：

var str = 'https://www.test.com/text/1@@@https://www.test.com/text/word/2@@@https://www.test.com/text/text/word/3@@@https://www.test.com/3/text@@@https://www.test.com/word/3/text/text'; 
var urls = str.match(/https:\/\/www.test.com\/(text\/)*word\/\d+(\/text)*/g);
console.log(urls);

在数组中你得到你想要的元素。

更新问题并添加作者评论后更新答案

如果您需要从示例字符串中获取words，那么您必须使用更复杂的常规异常：

var str = 'https://www.test.com/text/1@@@https://www.test.com/text/word/2@@@https://www.test.com/text/text/word/3@@@https://www.test.com/3/text@@@https://www.test.com/word/3/text/text'; 
var urls = str.match(/(?<=\/)\w+(?=\/\d+\/\w)|(?<=(\w\/\w+\/))\w+(?=\/\d)/g);
console.log(urls);

说明

这是正则表达式/(?<=(\w\/\w+\/))\w+(?=\/\d)|(?<=\/)\w+(?=\/\d+\/\w)/g，受/.../ 限制，并带有g 标志强制模式搜索出现。

正则表达式有两种选择...|...

第一个 (?<=\/)\w+(?=\/\d+\/\w) 捕获搜索词直接位于斜杠 (?<=\/) 后面并且在数字 (?=\/\d+\/\w) 后面的更多词之前的情况。

https://www.test.com/word/3/text/text

第二种选择(?<=(\w\/\w+\/))\w+(?=\/\d) 捕获的情况是，该词前面是域(?<=(\w\/\w+\/)) 之后的其他词（实际上是由字母数字字符分隔的两个斜线），并且搜索的词紧跟在斜线之前，后跟数字@987654347 @。

https://www.test.com/text/word/2

https://www.test.com/text/text/word/3

所有斜线必须转义：\/。

(?<=...) 在正则表达式中表示 lookbehind，(?=...) 在正则表达式中表示 lookahead。

注意 1. 上面的例子目前只在 Chrome 浏览器中运行良好，如that:

(...) 现在lookbehind 是 ECMAScript 2018 规范的一部分。在撰写本文时（2018 年末），谷歌的 Chrome 浏览器是唯一一个支持后视的流行 JavaScript 实现。所以如果跨浏览器的兼容性很重要，你就不能在 JavaScript 中使用lookbehind。

注 2.Lookbehnd，即使它被正确解释，在大多数正则表达式引擎中必须包含一个 固定长度 正则表达式，我不保留上面的例子，因为这个仍然有效并且适用于谷歌浏览器的JavaScript engine、JGsoft engine和.NET framework RegEx classes中使用的正则表达式引擎。

注 3。lookbehind 语法或其较差的 \K 替换被大量编程语言中使用的许多正则表达式引擎广泛支持。

更多关于我使用的正则表达式的解释你可以找到例如here。

Answer 4

你可以先用@@@分割，然后检查每个元素中是否存在/word/：

var s = 'https://www.test.com/text/1@@@https://www.test.com/text/word/2@@@https://www.test.com/text/text/word/3@@@https://www.test.com/3/text@@@https://www.test.com/word/3/text/text';

var result = [];

s.split(/@@@/).forEach(function(el) {
   if (el.includes('/word/'))
    result.push(el);
})

// or else by using filter
// result = s.split(/@@@/).filter(el => el.includes('/word/'))

console.log(result);