提取文本而不使用正则表达式提取网址？答案

【问题标题】：Extract text without extracting urls using regex?提取文本而不使用正则表达式提取网址？
【发布时间】：2018-05-14 21:13:13
【问题描述】：

我从论坛帖子中提取了大量文本，现在正在对其进行过滤。我正在使用具有以下模式的正则表达式：

pattern = [A-Za-zćžđščČĆŽĐŠ0-9'\-]+|[\.]+|[\?]+|[\!]+|[\,\@\%\#\*\(\)\:]

我得到这样的结果：

'internetske', 'komunikacije', ',', 'te', 'njega', 'neovlašteno', 'isključili', '.', 'Uz', 'to', 'izvješće', 'Živkovića', '-', 'a', 'i'

但是，我在此文本中也有 url，它们也被拆分为单词。 我想要没有 url 的文本。 我尝试了以下方法，但它只与 http 开头的 h 不匹配：

pattern = (?!https?://)[A-Za-zćžđščČĆŽĐŠ0-9'\-]+|[\.]+|[\?]+|[\!]+|[\,\@\%\#\*\(\)\:]

我觉得这需要一个简单的调整，但我正在慢慢发疯，试图弄清楚如何在匹配其余部分的同时使异常不匹配 url。您可以假设 url 周围有空格。

【问题讨论】：

我真的不知道如何在正则表达式中创建例外，但由于大多数 URL 以“.something”结尾，您可以通过排除从 http:// 或 https 开始的所有内容来做到这一点:// 然后以“最后一个点+一些字母”结尾；这只是一个建议，但希望这可以帮助你一点
您希望将 URL 提取为单个单词吗？我认为您应该在正则表达式中为此创建一个单独的案例。
试试https?:\S+|[A-Za-zćžđščČĆŽĐŠ0-9'-]+|\.+|\?+|!+|[,@%#*():]
我想我不清楚。我想要无 url 的文本。

标签： regex

【解决方案1】：

您希望将 URL 提取为一个单词吗？我认为您应该在正则表达式中为此创建一个单独的案例。

类似这样的：

(https?:\/\/\w+.\w+(?:\/[\w|\\-|#]+)|[A-Za-zćžđščČĆŽĐŠ0-9'\-]+|[\.]+|[\?]+|[\!]+|[\,\@\%\#\*\(\)\:])

【讨论】：