Question

我正在尝试匹配不包含第二个冒号的URL或相对路径（在协议中的一个之后，例如http(s)://）。

我想拒绝

形式的网址

https://en.wikipedia.org/wiki/Special:BookSources/0-8018-1841-9

或表格的路径

/wiki/Special:BookSources/0-8018-1841-9

有一个例外。我希望保留带有第二个冒号的那些如果后跟一个下划线：

https://en.wikipedia.org/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond

或

/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond`

我现在拥有的正则表达式（基于 this question和this one）是^[^:]*[:]*.*(/wiki/)[^:]+$，它解决了我要求的第一部分，但不是第二部分。

我如何解释冒号后跟下划线的特殊情况？

Answer 1

负向前瞻可能在这里最有意义：

^https?://(?!.*:[^_]).*wiki.*

请注意，/wiki/Special:BookSources/0-8018-1841-9严格来说，不是URL，因为没有协议。相反，它是一条道路。您可能需要稍微修改我上面写的内容，但负面前瞻是解决您问题的简单方法。

Answer 2

当处理各种形式，不同方案或没有域锚的url路径时，我喜欢使用urlpath。

安装：

pip install urlpath

您可以使用urlpath库检查域之后的url的每个部分，以查看它们是否包含没有下划线的冒号。如果要避免使用正则表达式，此示例很有用。

示例：

>>> from urlpath import URL
>>> url = URL('https://en.wikipedia.org/wiki/Special:BookSources/0-8018-1841-9')
>>> any(':' in i and not ':_' in i for i in url.parts[1:])
True
>>> url2 = URL('https://en.wikipedia.org/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond')
>>> any(':' in i and not ':_' in i for i in url2.parts[1:])
False

在此示例中，any语句对于要忽略的URL返回true。如果你想让这个例子更具功能性，你也可以使用正则表达式进行过滤。

>>> any(re.search(':[^_]',i) for i in url.parts[1:])
True
>>> any(re.search(':[^_]',i) for i in url2.parts[1:])
False

如果您使用这些网址做任何请求，我建议您使用urlpath库。它结合了pathlib的灵活性，功能urllib.parse，以及构建它的请求。

>>> url.get()
<Response [200]>

条件Python正则表达式匹配可能包含第二个冒号的URL

2 个答案: