使用正则表达式使用 python 解析出 URL 的某些部分

Question

假设我有一些类似的东西，

URL
http://hostname.com/as/ck$st=fa+gw+hw+ek+ei/
http://hostname.com/wqs/ck$st=fasd+/
http://hostname.com/as/ck$st=fa+gq+hf+kg+is&sadfnlslkdfn&gl+jh+ke+oj+kp sfav

我想检查 url 中的第一个 + 符号并向后移动，直到找到特殊字符，例如 / 或 ?或 = 或任何其他特殊字符，然后从它开始，直到找到空格或行尾或 & 或 /。

我在stackoverflow论坛的帮助下写的正则表达式如下，

re.search(r"[^\w\+ ]([\w\+ ]+\+[\w\+ ]+)(?:[^\w\+ ]|$)", x).group(1)

这个适用于第一行。但不解析第二行的任何内容。同样在第三行，我想在该行中检查多个这样的模式。当前的正则表达式只检查一种模式。

我的输出应该是，

parsed
fa+gw+hw+ek+ei
fasd
fa+gq+hf+kg+is gl+jh+ke+oj+kp

谁能帮我修改已经存在的正则表达式以满足这种需求？

谢谢

Answer 1

我用 regexr 想出了这个 (regexr link)：

([\w\+]*\+[\w\+]*)(?:[^\w\+]|$)

匹配：

fa+gw+hw+ek+ei fasd+ fa+gq+hf+kg+is gl+jh+ke+oj+kp

编辑：不要使用 re.search，而是尝试使用 re.findall：

>>> s = "http://hostname.com/as/ck$st=fa+gq+hf+kg+is&sadfnlslkdfn&gl+jh+ke+oj+kp sfav"
>>> re.findall("([\w\+]+\+[\w\+]*)(?:[^\w\+]|$)", s)
['fa+gq+hf+kg+is', 'gl+jh+ke+oj+kp']

Answer 2

如果您将[^\w\+ ]([\w\+ ]+\+[\w\+ ]+)(?:[^\w\+ ]|$) 更改为[^\w\+ ]([\w\+ ]+\+[\w\+ ]*)(?:[^\w\+ ]|$)，它也会匹配第二个网址。

它将包含尾随“+”，它未包含在您想要的输出中，但似乎符合您提到的标准，因此如果您不想要任何尾随“+”，则可能需要进行一些修改.

Answer 3

在尝试使用 urlparse 失败后，似乎获得所需信息的最佳方法是使用正则表达式：

import urlparse
import re

urls = [
    "http://hostname.com/as/ck$st=fa+gw+hw+ek+ei/",
    "http://hostname.com/wqs/ck$st=fasd+/",
    "http://hostname.com/as/ck$st=fa+gq+hf+kg+is&sadfnlslkdfn&gl+jh+ke+oj+kp sfav"
]

for myurl in urls:
    parsed = urlparse.urlparse(myurl)

    print 'scheme  :', parsed.scheme
    print 'netloc  :', parsed.netloc
    print 'path    :', parsed.path
    print 'params  :', parsed.params
    print 'query   :', parsed.query
    print 'fragment:', parsed.fragment
    print 'username:', parsed.username
    print 'password:', parsed.password
    print 'hostname:', parsed.hostname, '(netloc in lower case)'
    print 'port    :', parsed.port

    print urlparse.parse_qs(parsed.query)

    print re.findall(r'([\w\+]+\+[\w\+]*)(?:[^\w\+]|$)', parsed.path)
    print '-' * 80