Question

我正在制作正则表达式，因此我可以在用户发布的HTML文本中找到youtube链接（可以是多个）。

目前，我正在使用以下正则表达式将“http://www.youtube.com/watch?v=-JyZLS2IhkQ”更改为显示相应的YouTube视频：

return re.compile('(http(s|):\/\/|)(www.|)youtube.(com|nl)\/watch\?v\=([a-zA-Z0-9-_=]+)').sub(tag, value)

（变量'tag'有点html所以视频有效，'值'是用户帖子）

现在这可行..直到网址如下：

的 'http：//www.youtube.com/watch V = -JyZLS2IhkQ＆安培;特征...'

现在我希望你们能帮助我找出如何匹配'＆amp; feature ...'部分，以便它消失。

示例HTML：

No replies to this post..

Youtube vid:

http://www.youtube.com/watch?v=-JyZLS2IhkQ

More blabla

感谢您的想法，非常感谢

的Stefan

Answer 1

这是我如何解决它：

def youtube_url_validation(url):
    youtube_regex = (
        r'(https?://)?(www\.)?'
        '(youtube|youtu|youtube-nocookie)\.(com|be)/'
        '(watch\?v=|embed/|v/|.+\?v=)?([^&=%\?]{11})')

    youtube_regex_match = re.match(youtube_regex, url)
    if youtube_regex_match:
        return youtube_regex_match.group(6)

    return youtube_regex_match

测试：

youtube_urls_test = [
    'http://www.youtube.com/watch?v=5Y6HSHwhVlY',
    'http://youtu.be/5Y6HSHwhVlY', 
    'http://www.youtube.com/embed/5Y6HSHwhVlY?rel=0" frameborder="0"',
    'https://www.youtube-nocookie.com/v/5Y6HSHwhVlY?version=3&amp;hl=en_US',
    'http://www.youtube.com/',
    'http://www.youtube.com/?feature=ytca']


for url in youtube_urls_test:
    m = youtube_url_validation(url)
    if m:
        print 'OK {}'.format(url)
        print m.groups()
        print m.group(6)
    else:
        print 'FAIL {}'.format(url)

Answer 2

您应该将正则表达式指定为原始字符串。

你不必逃避看起来特殊的每个角色，只有那些的角色。

您可以使用(foo|)，而不是指定空分支（?）来制作可选内容。

如果要在字符集中包含-，则必须将其转义或将其放在开始括号后面。

您可以使用\w等特殊字符集（等于[a-zA-Z0-9_]）来缩短正则表达式。

r'(https?://)?(www\.)?youtube\.(com|nl)/watch\?v=([-\w]+)'

现在，为了匹配整个网址，您必须考虑输入中可以或不可以遵循的内容。然后你把它放到一个前瞻组（你不想消耗它）。

在这个例子中，除了-，=，%，&和字母数字字符外，我还接受了所有内容来结束网址（懒得想更难）

.*?非贪婪地使用了v-argument和URL末尾之间的所有内容。

r'(https?://)?(www\.)?youtube\.(com|nl)/watch\?v=([\w-]+)(&.*?)?(?=[^-\w&=%])'

但是，我不会过分相信这个一般的解决方案。众所周知，用户输入很难解析。

Answer 3

如果您使用urlparse module选择找到的YouTube地址并将其恢复为您想要的格式，该怎么办？然后你可以简化你的正则表达式，这样它只能找到整个网址然后使用urlparse来为你挑选它。

from urlparse import urlparse,parse_qs,urlunparse
from urllib import urlencode
youtube_url = urlparse('http://www.youtube.com/watch?v=aFNzk7TVUeY&feature=grec_index')
params = parse_qs(youtube_url.query)
new_params = {'v': params['v'][0]}

cleaned_youtube_url = urlunparse((youtube_url.scheme, \
                                  youtube_url.netloc, \
                                  youtube_url.path,
                                  None, \
                                  urlencode(new_params), \
                                  youtube_url.fragment))

这是一些代码，但它可以让你避免正则表达式的疯狂。

正如Hop所说，你应该使用原始字符串作为正则表达式。

Answer 4

以下是我在脚本中实现的方法：

string = "Hey, check out this video: https://www.youtube.com/watch?v=bS5P_LAqiVg"

youtube = re.findall(r'(https?://)?(www\.)?((youtube\.(com))/watch\?v=([-\w]+)|youtu\.be/([-\w]+))', string)

if youtube:
    print youtube

输出：

["", "youtube.com/watch?v=BS5P_LAqiVg", ".com", "watch", "com", "bS5P_LAqiVg", ""]

例如，如果您只想获取视频ID，则可以执行以下操作：

video_id = [c for c in youtube[0] if c] # Get rid of empty list objects
video_id = video_id[len(video_id)-1] # Return the last item in the list

Python正则表达式将youtube网址转换为youtube视频

4 个答案: