Question

虽然我知道我可以使用一些巨大的正则表达式，例如发布的here，我想知道是否有一些调整，如果使用标准模块或者某些第三方添加 - 上？

简单的问题，但Google（或Stackoverflow）上没有任何内容。

期待看到你们是怎么做到的！

Answer 1

我知道这正是你不想要的，但这里有一个巨大的正则表达式文件：

#!/usr/bin/python
# -*- coding: utf-8 -*-
"""
the web url matching regex used by markdown
http://daringfireball.net/2010/07/improved_regex_for_matching_urls
https://gist.github.com/gruber/8891611
"""
URL_REGEX = r"""(?i)\b((?:https?:(?:/{1,3}|[a-z0-9%])|[a-z0-9.\-]+[.](?:com|net|org|edu|gov|mil|aero|asia|biz|cat|coop|info|int|jobs|mobi|museum|name|post|pro|tel|travel|xxx|ac|ad|ae|af|ag|ai|al|am|an|ao|aq|ar|as|at|au|aw|ax|az|ba|bb|bd|be|bf|bg|bh|bi|bj|bm|bn|bo|br|bs|bt|bv|bw|by|bz|ca|cc|cd|cf|cg|ch|ci|ck|cl|cm|cn|co|cr|cs|cu|cv|cx|cy|cz|dd|de|dj|dk|dm|do|dz|ec|ee|eg|eh|er|es|et|eu|fi|fj|fk|fm|fo|fr|ga|gb|gd|ge|gf|gg|gh|gi|gl|gm|gn|gp|gq|gr|gs|gt|gu|gw|gy|hk|hm|hn|hr|ht|hu|id|ie|il|im|in|io|iq|ir|is|it|je|jm|jo|jp|ke|kg|kh|ki|km|kn|kp|kr|kw|ky|kz|la|lb|lc|li|lk|lr|ls|lt|lu|lv|ly|ma|mc|md|me|mg|mh|mk|ml|mm|mn|mo|mp|mq|mr|ms|mt|mu|mv|mw|mx|my|mz|na|nc|ne|nf|ng|ni|nl|no|np|nr|nu|nz|om|pa|pe|pf|pg|ph|pk|pl|pm|pn|pr|ps|pt|pw|py|qa|re|ro|rs|ru|rw|sa|sb|sc|sd|se|sg|sh|si|sj|Ja|sk|sl|sm|sn|so|sr|ss|st|su|sv|sx|sy|sz|tc|td|tf|tg|th|tj|tk|tl|tm|tn|to|tp|tr|tt|tv|tw|tz|ua|ug|uk|us|uy|uz|va|vc|ve|vg|vi|vn|vu|wf|ws|ye|yt|yu|za|zm|zw)/)(?:[^\s()<>{}\[\]]+|\([^\s()]*?\([^\s()]+\)[^\s()]*?\)|\([^\s]+?\))+(?:\([^\s()]*?\([^\s()]+\)[^\s()]*?\)|\([^\s]+?\)|[^\s`!()\[\]{};:\'\".,<>?«»“”‘’])|(?:(?<!@)[a-z0-9]+(?:[.\-][a-z0-9]+)*[.](?:com|net|org|edu|gov|mil|aero|asia|biz|cat|coop|info|int|jobs|mobi|museum|name|post|pro|tel|travel|xxx|ac|ad|ae|af|ag|ai|al|am|an|ao|aq|ar|as|at|au|aw|ax|az|ba|bb|bd|be|bf|bg|bh|bi|bj|bm|bn|bo|br|bs|bt|bv|bw|by|bz|ca|cc|cd|cf|cg|ch|ci|ck|cl|cm|cn|co|cr|cs|cu|cv|cx|cy|cz|dd|de|dj|dk|dm|do|dz|ec|ee|eg|eh|er|es|et|eu|fi|fj|fk|fm|fo|fr|ga|gb|gd|ge|gf|gg|gh|gi|gl|gm|gn|gp|gq|gr|gs|gt|gu|gw|gy|hk|hm|hn|hr|ht|hu|id|ie|il|im|in|io|iq|ir|is|it|je|jm|jo|jp|ke|kg|kh|ki|km|kn|kp|kr|kw|ky|kz|la|lb|lc|li|lk|lr|ls|lt|lu|lv|ly|ma|mc|md|me|mg|mh|mk|ml|mm|mn|mo|mp|mq|mr|ms|mt|mu|mv|mw|mx|my|mz|na|nc|ne|nf|ng|ni|nl|no|np|nr|nu|nz|om|pa|pe|pf|pg|ph|pk|pl|pm|pn|pr|ps|pt|pw|py|qa|re|ro|rs|ru|rw|sa|sb|sc|sd|se|sg|sh|si|sj|Ja|sk|sl|sm|sn|so|sr|ss|st|su|sv|sx|sy|sz|tc|td|tf|tg|th|tj|tk|tl|tm|tn|to|tp|tr|tt|tv|tw|tz|ua|ug|uk|us|uy|uz|va|vc|ve|vg|vi|vn|vu|wf|ws|ye|yt|yu|za|zm|zw)\b/?(?!@)))"""

我将该文件称为urlmarker.py，当我需要它时，我只需导入它，例如

import urlmarker
import re
re.findall(urlmarker.URL_REGEX,'some text news.yahoo.com more text')

比照http://daringfireball.net/2010/07/improved_regex_for_matching_urls

此外，这是Django（1.6）用于验证URLField s：

的内容

regex = re.compile(
    r'^(?:http|ftp)s?://'  # http:// or https://
    r'(?:(?:[A-Z0-9](?:[A-Z0-9-]{0,61}[A-Z0-9])?\.)+(?:[A-Z]{2,6}\.?|[A-Z0-9-]{2,}\.?)|'  # domain...
    r'localhost|'  # localhost...
    r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}|'  # ...or ipv4
    r'\[?[A-F0-9]*:[A-F0-9:]+\]?)'  # ...or ipv6
    r'(?::\d+)?'  # optional port
    r'(?:/?|[/?]\S+)$', re.IGNORECASE)

比照https://github.com/django/django/blob/1.6/django/core/validators.py#L43-50

Django 1.9将逻辑拆分为几个类

Answer 2

在这里看看Django的方法：django.utils.urlize()。 Regexs对于这项工作来说太有限了，你必须使用启发式方法来获得最合适的结果。

Answer 3

对13种不同的正则表达式方法进行了很好的比较

...可在此页面找到：In search of the perfect URL validation regex。

通过所有测试的Diego Perini正则表达式非常长，但可以在他的要点here上找到。
请注意，您必须将他的PHP版本转换为python正则表达式（略有不同）。

我最终使用的Imme Emosol版本通过绝大多数测试，只是Diego Perini的一小部分。

这是Imme Emosol正则表达式的python兼容版本：

r'^(?:(?:https?|ftp)://)(?:\S+(?::\S*)?@)?(?:(?:[1-9]\d?|1\d\d|2[01]\d|22[0-3])(?:\.(?:1?\d{1,2}|2[0-4]\d|25[0-5])){2}(?:\.(?:[1-9]\d?|1\d\d|2[0-4]\d|25[0-4]))|(?:(?:[a-z\u00a1-\uffff0-9]+-?)*[a-z\u00a1-\uffff0-9]+)(?:\.(?:[a-z\u00a1-\uffff0-9]+-?)*[a-z\u00a1-\uffff0-9]+)*(?:\.(?:[a-z\u00a1-\uffff]{2,})))(?::\d{2,5})?(?:/[^\s]*)?$'

Answer 4

使用正则表达式。

回复OP的评论：我知道这没有帮助。我告诉你解决问题的正确方法，因为你声明它是使用正则表达式。

Answer 5

您可以使用我写的这个库：

https://github.com/imranghory/urlextractor

这非常hacky，但它不像许多其他技术那样依赖“http：//”，而是使用Mozilla TLD列表（通过tldextract库）来搜索TLD（即“.co.uk”），“。com”等，然后尝试在TLD周围构建网址。

它的目标不是符合RFC，而是准确了解在现实世界中如何使用网址。因此，例如，它将拒绝技术上有效的域“com”（您实际上可以使用TLD作为域;虽然它在实践中很少见）并且将从URL中删除跟踪句点或逗号。

Answer 6

如果您知道字符串中的空格后面有一个URL，您可以执行以下操作：

s是包含url的字符串

>>> t = s[s.find("http://"):]
>>> t = t[:t.find(" ")]

否则你需要检查find是否返回-1。

Answer 7

您可以使用BeautifulSoup。

def extractlinks(html):
    soup = BeautifulSoup(html)
    anchors = soup.findAll('a')
    links = []
    for a in anchors:
        links.append(a['href'])
    return links

请注意，使用正则表达式的解决方案速度更快，但不会那么准确。

Answer 8

我已经迟到了，但这里有一个解决方案，来自freenode的#python的人向我建议。它避免了正则表达式的麻烦。

from urlparse import urlparse

def extract_urls(text):
    """Return a list of urls from a text string."""
    out = []
    for word in text.split(' '):
        thing = urlparse(word.strip())
        if thing.scheme:
            out.append(word)
    return out

Answer 9

import re
text = '<p>Please click <a href="http://www.dr-chuck.com">here</a></p>'
aa=re.findall('href="(.+)"',text)
print(aa)

Answer 10

还有另一种方法可以轻松地从文本中提取URL。您可以使用urlextract为您完成，只需通过pip安装：

pip install urlextract

然后你可以像这样使用它：

from urlextract import URLExtract

extractor = URLExtract()
urls = extractor.find_urls("Let's have URL stackoverflow.com as an example.")
print(urls) # prints: ['stackoverflow.com']

您可以在我的github页面上找到更多信息：https://github.com/lipoja/URLExtract

注意：它会从iana.org下载TLD列表，以使您保持最新状态。但是，如果该程序没有互联网访问权限，那么它不适合您。

这种方法与urlextractor（上面提到的）类似，但我的代码是最新的，维护的，我对任何建议（新功能）都是开放的。

使用Python从字符串中提取URL的最简洁方法是什么？

10 个答案:

对13种不同的正则表达式方法进行了很好的比较