Question

我是新手程序员并且正则表达式存在问题。我有大文件和帖子，我想提取维基百科链接。

现在我有这个正则表达式：

wiki = 'http[s]?://([a-zA-Z.0-9]{,3}wikipedia.org/wiki/[/!@i^*$a-zA-Z0-9_()-]*)(?:&quot)?'

它工作正常但有时会产生如下结果：

en.wikipedia.org/wiki/Euclidean_algorithm)

如果没有左括号，如何将我的正则表达式更改为不获取右括号

Answer 1

从正则表达式中省略括号，然后添加一个带有开括号和近括号的变量。从理论上讲，你可能需要两个或更多，但我认为维基百科不允许在标题中使用多个。

wiki1 = 'http[s]?://([a-zA-Z.0-9]{,3}wikipedia.org/wiki/[/!@i^*$a-zA-Z0-9_-]*)(?:&quot)?'
wiki2 = 'http[s]?://([a-zA-Z.0-9]{,3}wikipedia.org/wiki/[/!@i^*$a-zA-Z0-9_-]*\([/!@i^*$a-zA-Z0-9_-]*\)[/!@i^*$a-zA-Z0-9_-]*)(?:&quot)?'
wiki = wiki1 + '|' + wiki2

Answer 2

没有什么禁止构建包含不平衡或嵌套括号的URL（这种情况不能通过re模块解决，但可以使用regex模块解决）。但是，由于您正在寻找维基百科网址，因此您可以假设您不会找到这种格式，只能使用单一级别的平衡括号，例如：http://en.wikipedia.org/wiki/Python_(programming_language)。

这个想法很简单，只允许你的模式在这种情况下允许括号（1级，平衡）：

wiki = r"""(?ix)                       # case insensitive & verbose mode
    https?://                          # perhaps you should make this optional?
    (
        [a-z0-9.]{,3}                  # 
        wikipedia.org/wiki/
        (?:
            [/!@i^*$a-z0-9_-]+         # part without parenthesis
          |                            # OR
            [(] [/!@i^*$a-z0-9_-]+ [)] # part between parenthesis
        )*                             # repeat the group 0 or more times
    )"""

注意：我删除了(?:&quote)?似乎没用的内容，但如果需要，可以将其添加。在这种情况下，您必须将行[/!@i^*$a-z0-9_-]+（不带括号的部分）更改为(?=([/!@i^*$a-z0-9_-]+))\2并emulate an atomic group，并阻止catastrophic backtracking。

提取维基百科链接，正则表达式

2 个答案: