Question

我有很多这样的三元组列表：

?s ex:url ?url

?url可以是：

www.ex.com/data/1.html
www.ex.com/data/2.html
www.google.com/search
...

使用SPARQL查询是否有可能以某种方式过滤查询并获取不同的域列表？在示例中，www.ex.com和www.google.com。

像这样：

SELECT distinct ?url
WHERE { ?s ex:url ?url }

但是对待每个url绑定。当然我可以全部获取它们，并在我的程序中逐个处理每个URL，但我认为sparql查询会更有效。我正在使用Stardog - 以防它具有一些自定义功能。

Answer 1

你可以使用不需要正则表达式的字符串操作来做这样的事情。例如，您可以在＆＃34; //＆＃34;之后获取URL的字符串形式的一部分。在＆＃34; /＆＃34;：

之前

select ?url ?hostname {
  values ?url { <http://example.org/index.html> }
  bind(strbefore(strafter(str(?url),"//"),"/") as ?hostname)
}

---------------------------------------------------
| url                             | hostname      |
===================================================
| <http://example.org/index.html> | "example.org" |
---------------------------------------------------

它不使用正则表达式，并且可能比使用正则表达式函数的解决方案更快。

但是，这可能仍会让您获得更多主机名，例如，如果网址类似于 http：// username：password@example.org:8080 ，您可以在其中获取用户名：password@example.org：8080 ，这不仅仅是主机名。

为了更加谨慎地执行此操作，您需要选择其中一个URI / URL等规范，例如RFC 3986，并查看有关语法组件的部分。该语法的一些相关产品是：

URI         = scheme ":" hier-part [ "?" query ] [ "#" fragment ]

      hier-part   = "//" authority path-abempty
                  / path-absolute
                  / path-rootless
                  / path-empty
权限组件前面有一个双斜杠（＆＃34; //＆＃34;）并且是由下一个斜杠（＆＃34; /＆＃34;），问号（＆＃34;？＆＃34;）或数字终止签名（＆＃34;＃＆＃34;）字符，或URI的末尾。
authority   = [ userinfo "@" ] host [ ":" port ]

我不会完成所有这些工作（也许使用正则表达式来处理复杂的情况会更有意义），但是从SPARQL结果获取URI然后使用它可能是最简单的获取主机名的实际URI解析库。这是最可靠的解决方案，因为URI可能相当复杂。

Answer 2

REPLACE使用REGEX：

BIND(REPLACE(STR(?url), "^(.*?)/.*", "$1") AS ?domain)

Example in Yasgui

编辑：正如@JoshuaTailor在评论中指出的那样，如果没有方案，STRBEFORE会更好吗？url：

BIND(STRBEFORE(?url, "/") AS ?domain)

如果您需要担心URL方案（这会丢弃该方案）：

BIND(REPLACE(STR(?url), "^(https?://)?(.*?)/.*", "$2") AS ?domain)

当然，以上只适用于基本的http（s）URL，如果需要处理任意URL，正则表达式会变得更复杂。

这是一个处理任何或缺少方案，端口号，身份验证信息和缺少尾部斜杠的方法：

BIND(REPLACE(?url, "^(?:.*?://)?(?:.*?@)?([^:]+?)(:\\d+)?((/.*)|$)", "$1") AS ?domain)

请注意，使用正则表达式的查询可能会非常慢。

解析SPARQL结果以获取主机名

2 个答案: