Question

  &copy 2014 <a href="http://www.fairfaxmedia.co.nz">Fairfax New Zealand Limited</a><br/>
  <a href="/about-stuff/legal/25044/privacy-policy">Privacy</a><!--  |

以上是我的HTML文档中的违规部分。

以下是我的正则表达式。它适用于我的文档中的每个其他URL。除了这一个。

urliter = re.finditer(r'(http://|https://)([\w]+\.[\w\.]+\/?)([\w\/\.]+")',lines)

urlMatches = defaultdict(list)
for match in urliter:
    urlMatches[match.group(2)].append(match.group())

当我查看输出时，出于某种原因，www.fairfaxmedia.co.nz会在结尾处切断z，因此它只显示www.fairfaxmedia.co.n的{{1}}

我无法弄清楚为什么会这样？

另外，问题＃2 - 我如何仅在报价中搜索网址，但是将报价保留在匹配项之外？

Answer 1

你的正则表达式使用捕获组：

(http://|https://)匹配（并在第1组中捕获）http部分
([\w]+\.[\w\.]+\/?)在第二组中捕获
([\w\/\.]+")在第三组中捕获

由于您在+中放置了([\w\/\.]+")，因此字符类[\w\/\.]无法匹配任何字符。这意味着在http://www.fairfaxmedia.co.nz"中，最后一个组必须至少匹配z"。

因此，z不能出现在第二组（您正在呼叫的那个）中，插图为here。

如果您只想将域名与网址的其余部分分开，可以将您的正则表达式调整为：

"(https?://(\w+\.[\w.]+)(/?[\w/.-]*))"

整个网址（不含引号）位于捕获组1，捕获组2中的域名，捕获组3中的其余区域：请参阅demo here。

Answer 2

要在引号中搜索文字，但在引号中留下引文，您可以使用外观断言。

例如（从罗宾斯回答的核心正则表达式）

(?<=\")(https?://(\w+\.[\w.]+)(/?[\w\/\.]*))(?=\")

此正则表达式错误地验证URL和此URL。为什么？

2 个答案: