Question

我正在使用以下正则表达式在文本文件中查找网址：

/http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+/

输出以下内容：

    http://rda.ucar.edu/datasets/ds117.0/.
    http://rda.ucar.edu/datasets/ds111.1/.
    http://www.discover-earth.org/index.html).
    http://community.eosdis.nasa.gov/measures/).

理想情况下，他们会打印出来：

    http://rda.ucar.edu/datasets/ds117.0/
    http://rda.ucar.edu/datasets/ds111.1/
    http://www.discover-earth.org/index.html
    http://community.eosdis.nasa.gov/measures/

关于如何调整我的正则表达式的任何想法？

提前谢谢！

更新 - 文本示例如下：

    this is a test http://rda.ucar.edu/datasets/ds117.0/. and I want this to                 be copied over http://rda.ucar.edu/datasets/ds111.1/. http://www.discover-earth.org/index.html). http://community.eosdis.nasa.gov/measures/).

Answer 1

所以对于你在这里的网址： https://regex101.com/r/uSlkcQ/4

模式说明：

协议（例如https://）

^[A-Za-z]{3,9}:(?://)

寻找经常性.[-;:&=+\$,\w]+ - 班级（www.sub.domain.com）

(?:[\-;:&=\+\$,\w]+\.?)+`

寻找定期/[\-;:&=\+\$,\w\.]+（/some.path/to/somewhere）

(?:\/[\-;:&=\+\$,\w\.]+)+

现在，针对您的特殊情况：使用负向前瞻确保最后一个字符不是圆点或括号

(?!\.|\)).

然后是完整的模式

^[A-Za-z]{3,9}:(?://)(?:[\-;:&=\+\$,\w]+\.?)+(?:\/[\-;:&=\+\$,\w\.]+)+(?!\.|\)).

Answer 2

现有的正则表达式有一些改进或改变的方法可以让它起作用：

http[s]?可以更改为https?。他们是完全相同的。没有必要将s放在自己的角色类
[a-zA-Z]|[0-9]|[$-_@.&+]|[!*,]您可以缩短整个内容并组合字符类，而不是在它们之间使用|。这不仅可以提高性能，还可以将某些范围组合到现有的字符类标记中。简化这一点，我们得到[a-zA-Z0-9$-_@.&+!*,]
- 我们可以更进一步：a-zA-Z0-9_与\w相同。所以我们可以替换字符类中的那些来获取[\w$-@.&+!*,]
- 在原始正则表达式中，我们有$-_。这会创建一个范围，因此它实际上包含了ASCII表上$和_之间的所有内容。这将导致不需要的字符匹配：$%&'()*+,-./0123456789:;<=>?@ABCDEFGHIJKLMNOPQRSTUVWXYZ[\]^_。有几个选项可以解决这个问题：
  - [-\w$@.&+!*,]将-放在角色类的开头
  - [\w$@.&+!*,-]将-放在角色类的末尾
  - [\w$\-@.&+!*,]退出-，以便\-改为
- 您不需要在角色类中转义(和)：[\w$@.&+!*(),-]
[0-9a-fA-F][0-9a-fA-F]您不需要指定[0-9a-fA-F]两次。只需使用如下量词：[0-9a-fA-F]{2}
(?:%[0-9a-fA-F][0-9a-fA-F])这里实际上并不需要非捕获组，因此我们可以删除它（它增加了正则表达式引擎需要执行的另一个步骤，这是不必要的）

因此，简化现有正则表达式的结果如下：

https?://(?:[$\w@.&+!*(),-]|%[0-9a-fA-F]{2})+

现在您已经注意到它与/不匹配，因此我们需要将其添加到角色类中。您的正则表达式最初与此匹配，因为它具有不正确的范围$-_。

https?://(?:[$\w@.&+!*(),/-]|%[0-9a-fA-F]{2})+

不幸的是，即使进行了此更改，它仍会在结尾处与).匹配。这是因为你的正则表达式在/之后没有被告知停止匹配。即使实现这一点，现在也会导致它与index.html之类的文件名不匹配。因此需要一个更好的解决方案。如果你给我几天时间，我正在开发一个与URL匹配的功能齐全的RFC兼容正则表达式。我想，在此期间，我至少会解释为什么你的正则表达式没有像你期望的那样工作。

Answer 3

这将修剪包含跟踪字符) .

的输出

import re
regx= re.compile(r'(?m)[\.\)]+$')
print(regx.sub('', your_output))

这个正则表达式似乎可以从原始示例文本中提取URL。

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

Demo ,,,（从https?:[\S]*\/编辑）

Python脚本可能是这样的

ss=""" this is a test http://rda.ucar.edu/datasets/ds117.0/. and I want this to                 be copied over http://rda.ucar.edu/datasets/ds111.1/. http://www.discover-earth.org/index.html). http://community.eosdis.nasa.gov/measures/). """

regx= re.compile(r'https?:[\S]*\/(?:\w+(?:\.\w+)?)?')
for m in regx.findall(ss):
    print(m)

Answer 4

感谢大家的回复。一位同事最终帮助我。这是解决方案：

<application android:allowBackup="true" android:icon="@mipmap/ic_launcher" android:label="@string/app_name" android:supportsRtl="true" android:theme="@style/AppTheme">

如何在文本文件中查找“复杂”的URL

4 个答案: