Question

你能帮我找出一个从url中提取的正则表达式：

主机名，如果后面的路径中没有指定文件夹例如

http://jj.com/' -> 'jj.com
http://jj.com/index.php' -> 'jj.com
http://jj.com/query?q=http://kk.uk' -> 'jj.com

当路径中至少指定了一个文件夹时，主机名+路径中的一个文件夹 e.g。

'http://jj.com/site/index.php' -> 'jj.com/site'
'http://jj.com/site/second/aldldls.html' -> 'jj.com/site'

只用一个正则表达式可以做到吗？

BTW我将使用来自hive的regex_extract函数，但任何可以做到这一点的正则表达式（例如perl regex）的变化都非常有用。

Answer 1

use 5.010;
use URI;

for (
    'http://jj.com/',
    'http://jj.com/index.php',
    'http://jj.com/query?q=http://kk.uk',
    'http://jj.com/site/index.php',
    'http://jj.com/site/second/aldldls.html',
) {
    my $u = URI->new($_);
    say (
        ($u->path_segments)[2]
            ? join q(/), $u->host, ($u->path_segments)[1]
            : $u->host
    );
}

输出

jj.com
jj.com
jj.com
jj.com/site
jj.com/site

Answer 2

#!/usr/bin/perl

use strict;
use warnings;

for (<DATA>) {
    s!^http://([^/]+/([^\?/]+/)?).*!$1!;
    s!/\s*$!!;
    print "$_\n";
}

__DATA__
http://jj.com/
http://jj.com/index.php
http://jj.com/query?q=http://kk.uk
http://jj.com/site/index.php
http://jj.com/site/second/aldldls.html

输出：

jj.com
jj.com
jj.com
jj.com/site
jj.com/site

从路径中提取主机+一个文件夹

2 个答案: