Question

正规新手在这里。我有一堆URL，我需要从中提取一些我正在使用正则表达式的子串。

例如：如果我的网址为https://chrome.google.com/webstore/detail/vt-hokie-stone-theme/enmbbbhbkojhbkbolmfgbmlcgpkjjlja?hl=en-US，我需要将此网址中的1. vt-hokie-stone-theme部分和2. enmbbbhbkojhbkbolmfgbmlcgpkjjlja部分提取为两个单独的变量。

我的网址的初始部分始终保持不变，因此我构建了以下正则表达式detail\/([a-z0-9\-]+)\/([a-z]+)，我正试图在http://www.pythonregex.com/

上进行操作

我看到regex.findall(string)给了我想要的东西，但我有以下问题：

我希望它们在两个单独的变量中，而不是在单个变量中将它们作为列表格式。我该怎么办？
此外，在检查pythonregex时，regex.findall(string)命令将输出显示为[(u'vt-hokie-stone-theme', u'enmbbbhbkojhbkbolmfgbmlcgpkjjlja')]。我知道前面的u表示unicode，但我不想在输出中使用它。如何删除它？

Answer 1

您可以使用元组/列表赋值语法来实现此目的：

try:
    var1, var2 = re.search(r"detail\/([a-z0-9\-]+)\/([a-z]+)", my_url).groups()
except AttributeError:
    var1 = var2 = ""

unicode字符串只能在网站的答案中看到，而在原始python中，返回值将是普通字符串。所以，你不必担心它。

Answer 2

我个人没有看到只是从findall（）数组的第一个索引设置变量的问题。但是，如果您确信您的正则表达式始终与确切的url字符串匹配，则可以尝试re.match：

在[22]中：regex = re.compile（'a（bc）（cd）'）

在[23]中：regex.match（'abccd'）。groups（）

Out [23] :('bc'，'cd'）
unicode有什么问题？你为什么不想保留它？我知道正则表达式只会返回ascii，所以这不是问题。无论哪种方式，如果使它们成为常规字符串非常重要，只需将其转换为字符串即可。

str（u'abc'）=='abc'

Answer 3

您可以使用以下正则表达式来实现相同的目标。如果您确定URL的格式，可以尝试以下内容。请注意，最后一个。*正则表达式捕获组 base 是非贪婪的。*正则表达式捕获组主题是非贪婪的。

>>> var = 'https://chrome.google.com/webstore/detail/vt-hokie-stone-theme/enmbbbhbkojhbkbolmfgbmlcgpkjjlja?hl=en-U'

>>> match = re.match(r"(?P<base>.*/webstore/.*?/)(?P<theme>.*?)/(?P<tail>.*)",var);
>>> if match:
       ...    print match.group('base')
       ...    print match.group('theme')
       ...    print match.group('tail')

https://chrome.google.com/webstore/detail/
vt-hokie-stone-theme
enmbbbhbkojhbkbolmfgbmlcgpkjjlja?hl=en-U

使用正则表达式从URL中提取子字符串

3 个答案: