Question

使用Python我希望将文本正文中的所有网址替换为指向这些网址的链接，就像Gmail所做的那样。这可以用一个正则表达式来完成吗？

编辑：按文字正文我只是简单的文字 - 没有HTML

Answer 1

您可以使用DOM / HTML解析库（请参阅html5lib）加载文档，获取所有文本节点，将它们与正则表达式匹配，并使用带有锚点的URI的正则表达式替换文本节点，使用PCRE如：

/(https?:[;\/?\\@&=+$,\[\]A-Za-z0-9\-_\.\!\~\*\'\(\)%][\;\/\?\:\@\&\=\+\$\,\[\]A-Za-z0-9\-_\.\!\~\*\'\(\)%#]*|[KZ]:\\*.*\w+)/g

我很确定你可以匆匆找到并找到某种实用的功能，但我无法想到任何偏离我的头脑。

修改：尝试使用此处的答案：How do I get python-markdown to additionally "urlify" links when formatting plain text?

import re

urlfinder = re.compile("([0-9]{1,3}\\.[0-9]{1,3}\\.[0-9]{1,3}\\.[0-9]{1,3}|((news|telnet|nttp|file|http|ftp|https)://)|(www|ftp)[-A-Za-z0-9]*\\.)[-A-Za-z0-9\\.]+):[0-9]*)?/[-A-Za-z0-9_\\$\\.\\+\\!\\*\\(\\),;:@&=\\?/~\\#\\%]*[^]'\\.}>\\),\\\"]")

def urlify2(value):
    return urlfinder.sub(r'<a href="\1">\1</a>', value)

在字符串上调用urlify2，如果你没有处理DOM对象，我认为就是这样。

Answer 2

我经常狩猎，尝试过这些解决方案并且不满意他们的可读性或功能，所以我推出了以下内容：

_urlfinderregex = re.compile(r'http([^\.\s]+\.[^\.\s]*)+[^\.\s]{2,}')

def linkify(text, maxlinklength):
    def replacewithlink(matchobj):
        url = matchobj.group(0)
        text = unicode(url)
        if text.startswith('http://'):
            text = text.replace('http://', '', 1)
        elif text.startswith('https://'):
            text = text.replace('https://', '', 1)

        if text.startswith('www.'):
            text = text.replace('www.', '', 1)

        if len(text) > maxlinklength:
            halflength = maxlinklength / 2
            text = text[0:halflength] + '...' + text[len(text) - halflength:]

        return '<a class="comurl" href="' + url + '" target="_blank" rel="nofollow">' + text + '<img class="imglink" src="/images/linkout.png"></a>'

    if text != None and text != '':
        return _urlfinderregex.sub(replacewithlink, text)
    else:
        return ''

你需要获得一个链接图像，但这很容易。这是专门针对用户提交的文本，例如我认为通常是人们正在处理的评论。

Answer 3

/\w+:\/\/[^\s]+/

Answer 4

当您说“文本正文”是指纯文本文件还是HTML文档中的正文文本？如果您想要HTML文档，则需要使用Beautiful Soup来解析它;然后，搜索正文并插入标签。

最好使用urlparse模块匹配实际的网址。在此完整讨论： How do you validate a URL with a regular expression in Python?

Answer 5

对于网址而言，Gmail更加开放，但它并不总是正确的。例如它会将www.a.b变成超链接以及http://a.b，但由于包装文本和不常见（但有效）的URL字符，它经常会失败。

请参阅appendix A. A. Collected BNF for URI for syntax，并使用它来构建一个合理的正则表达式，该表达式也将考虑围绕URL的内容。建议您考虑一些URL最终会出现的情况。

用URL链接替换文本中的URL

5 个答案: