Question

我一直在尝试使用re api从文本文件中提取URL。任何以http：//，https：//和www。

开头的链接

该文件包含文本以及html源代码，html部分很容易，因为我可以使用BeautifulSoup提取它们，但普通文本似乎更具挑战性。我在网上发现这似乎是URL提取的最佳实现，但它在某些标签上失败，特别是它无法处理标签并将它们包含在URL中。感谢任何帮助，因为我自己并不熟悉字符串匹配

这是签名

sp1=re.findall("http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+", str(STRING))
sp2=re.findall('www.(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', str(STRING))

的示例：

http://www.website.com/science/</span></a><o:p></o:p></span></div><div
www.website.com/library/</span></a></span></i><span
http://awebsite.com/Groups</a><div>

Answer 1

re.findall(r'https?://[^\s<>"]+|www\.[^\s<>"]+', str(STRING))

[^\s<>"]+部分匹配任何非空格，非引号，非角度布局字符，以避免匹配字符串，如：

<a href="http://www.example.com/stuff">
http://www.example.com/stuff</br>

使用正则表达式提取URL链接重新匹配字符串 - Python

1 个答案: