排除包含字符正则表达式的字符串[重复]答案

【问题标题】：Excluding a string containing character regex [duplicate]排除包含字符正则表达式的字符串[重复]
【发布时间】：2020-04-22 23:18:00
【问题描述】：

目前我正在尝试使用正则表达式从包含正确和不正确 URL 的字符串中获取正确的 URL。代码的结果应该给出输入字符串中正确 URL 的列表。问题是我无法摆脱"http://example{.com"，因为我想出的只是获得"{" 字符并在结果中获得"http://example"。

我正在检查的代码如下：

import re
text = "https://example{.com http://example.com http://example.hgg.com/da.php?=id42 http\\:example.com http//: example.com"
print(re.findall('http[s]?[://](?:[a-zA-Z0-9$-_@.&+])+', text))

那么有没有一种好方法可以获取所有匹配项，但不包括包含错误字符的匹配项（如"{"）？

【问题讨论】：

所有的网址都是用空格隔开的吗？
是的。我需要从中提取 URL 的字符串是包含由空格分隔的各种版本的 URL 的字符串
这能回答你的问题吗？ How do you validate a URL with a regular expression in Python?
我需要从中提取 URL 的字符串是一个字符串，其中包含用空格分隔的各种版本的 URL 在这种情况下，您应该做的是拆分潜在的 URL，然后检查每一个，这意味着 这是重复的，正如@Bruno 所指出的那样我要补充的唯一一点是，您真的不应该在其中的任何部分使用正则表达式。
另一个可能有用的问题：stackoverflow.com/q/22238090/11301900.

标签： python regex

【解决方案1】：

很难确切地知道您需要什么，但这应该会有所帮助。用正则表达式解析 URL 很困难。但是 Python 带有一个 URL 解析器。看起来它们是空格分隔的，所以你可以做这样的事情

from urllib.parse import urlparse


text = "https://example{.com http://example.com http://example.hgg.com/da.php?=id42 http\\:example.com http//: example.com"

for token in text.split():
    result = urlparse(token)
    if result.scheme in {'http', 'https'} \
            and result.netloc \
            and all(c == '.' or c.isalpha() for c in result.netloc):
        print(token)

将文本拆分为字符串列表text.split，尝试解析每个项目urlparse(token)。如果方案是 http 或 https 并且域（a.k.a netloc）是非空的并且所有字符都是 a-z 或点，则打印。

【讨论】：

【解决方案2】：

在您的示例中，URL 以空格结尾，因此您可以使用先行查找下一个空格（或字符串的结尾）。为此，您可以使用：(?=\s|$)。

您的 RegEx 可以修复如下：

print(re.findall(r'http[s]?[:/](?:[a-zA-Z0-9$-_@.&+])+(?=\r|$)', text))

注意：不要忘记使用原始字符串（以“r”为前缀）。

您还可以改进您的 RegEx，例如：

import re

text = "https://example{.com http://example.com http://example.hgg.com/da.php?=id42 http\\:example.com http//: example.com"

URL_REGEX = r"(?:https://|http://|ftp://|file://|mailto:)[-\w+&@#/%=~_|?!:,.;]+[-\w+&@#/%=~_|](?=\s|$)"

print(re.findall(URL_REGEX, text))

你得到：

['http://example.com', 'http://example.hgg.com/da.php?=id42']

要想有一个好的RegEx，你可以看看这个问题：“What is the best regular expression to check if a string is a valid URL?”

这个 RegEx for Python 的答案点：

URL_REGEX = re.compile(
    r'(?:http|ftp)s?://'  # http:// or https://
    r'(?:(?:[A-Z0-9](?:[A-Z0-9-]{0,61}[A-Z0-9])?\.)+(?:[A-Z]{2,6}\.?|[A-Z0-9-]{2,}\.?)|'  # domain...
    r'localhost|'  # localhost...
    r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}|'  # ...or ipv4
    r'\[?[A-F0-9]*:[A-F0-9:]+\]?)'  # ...or ipv6
    r'(?::\d+)?'  # optional port
    r'(?:/?|[/?]\S+)', re.IGNORECASE)

它就像一个魅力！

【讨论】：