使用 python 正则表达式验证网站 URL 地址没有路径

Question

我正在尝试验证文本中包含的 URL 地址。此 URL 应具有以下结构。

<http<s>://>www<.sub-domain*>.domain-name.TLD<.ccTLD><:port-number></>

其中 表示可选，* 表示零个或多个。

如图所示，解析器应该接受以下内容。

1. http 或 https，它们都是可选的。
2. 必须接受 www。
3. 接受零个或多个子域
4. 必须接受域名。
5. 接受顶级域 (TLD) 和国家代码 TLD（如果存在）。
6. 接受端口号（如果可用）。
7. 接受结束反斜杠 (/) 如果它在那里。

输出应该是地址（如果它被接受）或 False。

这是python3.7中写的代码。

import re

s=['https://www.yahoo.com/news/apple-iphone/',
   'jzd https://www.google.edu sdfklg','sdj http://google.com jkdf',
   'https://web.vortex.data.m','sjdfn www.google.com.au','www.google.com/','https://img-s-msn-com.akamaized.net:443',
   'http://www.msn.com:80','google.com','(www.google.co.in)']

pattern=r'((http(s)?:\/\/)?www\.)[a-z0-9]+([\-\.][a-z0-9]+)*\.(com?|edu|gov|int|net|org|biz|info)(\.[a-z]{2})?(:[0-9]{1,5})?(\/)?'

def match_URL(pat,line):
    try:
        return re.search(pat,line).group()
    except:
        return False

for i in range(len(s):
    print(i,"- ",s[i]," --> ",match_URL(pattern,s[i]))

s中列出的地址的预期结果是：

0-https://www.yahoo.com/news/apple-iphone/失败

1- jzdhttps://www.google.edusdfklg 通行证

2- sdj http://google.comjkdf 失败

3- https://web.vortex.data.m 失败

4- sjdfn www.google.com.au 通行证

5- www.google.com/通行证

6- https://img-s-msn-com.akamaized.net:443 失败

7-http://www.msn.com:80通过

8- google.com 失败

9- (www.google.co.in) 通行证

这是结果。

0 -  https://www.yahoo.com/news/apple-iphone/  -->  https://www.yahoo.com/
1 -  jzd https://www.google.edu sdfklg  -->  https://www.google.edu
2 -  sdj http://google.com jkdf  -->  False
3 -  https://web.vortex.data.m  -->  False
4 -  sjdfn www.google.com.au  -->  www.google.com.au
5 -  www.google.com/  -->  www.google.com/
6 -  https://img-s-msn-com.akamaized.net:443  -->  False
7 -  http://www.msn.com:80  -->  http://www.msn.com:80
8 -  google.com  -->  False
9 -  (www.google.co.in)  -->  www.google.co.in

所有结果都是预期的，除非解析器应该返回“False”，因为匹配模式不应该接受域之后的路径。

我的问题：什么可以添加到不接受在最后一个反斜杠之后具有路径的 URL 的匹配模式中？

Answer 1

不用发疯并尝试validate all TLDs 或端口号，那么这样的事情就可以了：

(https?:\/\/)?                # optionally start with http(s)://
(?:[a-z]+(?:-+[a-z]+)*\.){2,} # require 2 or more instances of chars and dashes followed by a period
[a-z]+                        # TLD check
(:\d+)?                       # optional port number
\/?                           # optional traling slash

https://regex101.com/r/OUxQvj/4

Answer 2

代码与 OP 的代码非常相似，只是做了一些简化。首先，正则表达式以(?i) 开头，以使搜索不区分大小写。其次，也是最重要的，正则表达式有一个终止的否定前瞻(?!(\/|\w))，它表示正则表达式的前一部分应该只在 if 后面没有 / 或单词字符时匹配。

如果你只想要域名，比如www.yahoo.com，那么：

return re.search(pat,line.group(2))

import re

s=['https://www.yahoo.com/news/apple-iphone/',
   'jzd https://www.google.edu sdfklg','sdj http://google.com jkdf',
   'https://web.vortex.data.m','sjdfn www.google.com.au','www.google.com/','https://img-s-msn-com.akamaized.net:443',
   'http://www.msn.com:80','google.com','(www.google.co.in)']

pattern=r'(?i)((?:https?:\/\/)?(www(\.[a-z0-9\-]+)*\.(com?|edu|gov|int|net|org|biz|info)(\.[a-z]{2})?)(?::[0-9]{1,5})?(\/)?)(?!(\/|\w))'

def match_URL(pat,line):
    try:
        return re.search(pat,line).group()
    except:
        return False

for i in s:
    print(i," --> ",match_URL(pattern,i))

打印：

https://www.yahoo.com/news/apple-iphone/  -->  False
jzd https://www.google.edu sdfklg  -->  https://www.google.edu
sdj http://google.com jkdf  -->  False
https://web.vortex.data.m  -->  False
sjdfn www.google.com.au  -->  www.google.com.au
www.google.com/  -->  www.google.com/
https://img-s-msn-com.akamaized.net:443  -->  False
http://www.msn.com:80  -->  http://www.msn.com:80
google.com  -->  False
(www.google.co.in)  -->  www.google.co.in

See Demo