我正在尝试将一堆网站剥离为域名,即:
https://www.facebook.org/hello
成为facebook.org
。
我正在使用正则表达式模式查找器:
(https?:\/\/)?([wW]{3}\.)?([\w]*.\w*)([\/\w]*)
这可以捕获大多数情况,但是偶尔会有一些网站,例如:
http://www.xxxx.wordpress.com/hello
我想剥离到xxxx.wordpress.com
。
如何在识别所有正常条目的同时识别这些情况?
答案 0 :(得分:1)
尽管罗伯特·哈维(Robert Harvey)提出了一种有用的urllib.parse
方法,但这是我对正则表达式的尝试:
(?:http[s]?:\/\/)?(?:www\.)?([^/\n\r\s]+\.[^/\n\r\s]+)(?:/)?(\w+)?
在regex101.com上看到
首先,正则表达式检查是否存在https://
或http://
。如果是这样,它将忽略它,但之后将开始搜索。
然后,正则表达式会检查www.
-重要的是要注意,此选项一直保持可选状态,因此,如果用户输入my website is site.com
,则site.com
将被匹配。
[^/\n\r\s]+\.[^/\n\r\s]+
匹配您所需的实际网址,因此不会包含空格或换行符。哦,那里必须至少有一个句点(.
)。
由于您的问题看起来也想匹配子目录,因此我在末尾添加了(\w+)?
。
第0组-整个网址
第1组-域名
第2组-子目录
答案 1 :(得分:1)
您的表情似乎运行得很好,并且可以输出您想要的内容。我只添加了i
标志,并将其稍作修改为:
(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)
如果这不是您想要的表达式,则可以在regex101.com中修改/更改表达式。
您还可以在jex.im中可视化您的表达式:
# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility
import re
regex = r"(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)"
test_str = ("https://www.facebook.org/hello\n"
"http://www.xxxx.wordpress.com/hello\n"
"http://www.xxxx.yyy.zzz.wordpress.com/hello")
subst = "\\3"
# You can manually specify the number of replacements by changing the 4th argument
result = re.sub(regex, subst, test_str, 0, re.MULTILINE | re.IGNORECASE)
if result:
print (result)
# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.
const regex = /(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)/gmi;
const str = `https://www.facebook.org/hello
http://www.xxxx.wordpress.com/hello
http://www.xxxx.yyy.zzz.wordpress.com/hello`;
const subst = `$3`;
// The substituted value will be contained in the result variable
const result = str.replace(regex, subst);
console.log('Substitution result: ', result);
答案 2 :(得分:0)
print("-------------")
# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility
import re
regex = r"(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)"
regex1 = r"\.?(microsoft.com.*)"
test_str = (
"https://blog.microsoft.com/test.html\n"
"https://www.blog.microsoft.com/test/test\n"
"https://microsoft.com\n"
"http://www.blog.xyz.abc.microsoft.com/test/test\n"
"https://www.microsoft.com")
subst = "\\3"
if test_str:
print (test_str)
print ("-----")
# You can manually specify the number of replacements by changing the 4th argument
result = re.sub(regex, subst, test_str, 0, re.MULTILINE | re.IGNORECASE)
if result:
print (result)
print ("-----")
result = re.sub(regex1, "", result, 0, re.MULTILINE | re.IGNORECASE)
if result:
print (result)
print ("-----")