0

我正在编写一个函数来将 url 转换为工作链接。这必须转换每种形式：完整的 url like http://link.com，没有协议 like www.link.com，即使只有扩展名 like link.com。

到目前为止，我的函数正在运行，但是当字符串中有多次相同的链接时，会出现一个奇怪的错误。

import re
import cgi

def process_links(string):
    """Convert urls to links in a string"""
    # http + https
    links = re.findall("(https?://[^\s]+)", string)
    # www
    links2 = re.findall("(w{3}\.[^\s]+)", string)
    # only extension
    links3 = re.findall("([^\s]+\.[^\s]{2,})", string)
    links = links + links2 + links3
    # remove duplicates
    links = list(set(links))
    string = cgi.escape(string)
    for link in links:
        # make sure the href attr starts with http|https
        if re.match('https?://', link) is None:
            http_link = 'http://'+link
        else:
            http_link = link
        htmlLink = '<a href="'+http_link+'">'+link+'</a>'
        string = re.sub(link, htmlLink, string)
    return string

工作和失败的例子：

# working
string = 'firstlink.com and www.secondlink.com'
# output:
# '<a href="http://firstlink.com">firstlink.com</a> and <a href="http://www.secondlink.com">www.secondlink.com</a>    

# failing: when there are several times the same link
string = 'firstlink.com and http://firstlink.com
# output:
# <a href="<a href="http://firstlink.com">http://firstlink.com</a>">firstlink.com</a> and http://<a href="<a href="http://firstlink.com">http://firstlink.com</a>">firstlink.com</a>

我从未尝试在 python 中使用这种“复杂”的正则表达式，也无法弄清楚为什么会出现这种奇怪的行为。我认为这来自re.sub()它可能取代已经被取代的东西的部分？

PS：我的功能可能不是最好的，当然可以改进，如果你有什么建议我在听

4

1 回答 1

0

您希望在找到链接时对其进行处理，并使用一个正则表达式查找所有表单。使用re.sub()和替换功能将是最简单的：

def linkify(match):
    link = match.group(1)
    http_link = link if re.match('https?://', link) else 'http://' + link
    return '<a href="{}">{}</a>'.format(http_link, link)

links = re.compile(r'(https?://[^\s]+|w{3}\.[^\s]+|[^\s]+\.[^\s]{2,})')
string = links.sub(linkify, string)

通过将 3 种形式组合成一个模式，您可以防止多次匹配同一个链接，并且通过使用替换功能，您还可以避免替换使用相同链接的较短形式的多次出现（链接http://firstlink.com仍然包含firstlink.com未来替换调用的部分）。

演示：

>>> string = 'firstlink.com and www.secondlink.com'
>>> links.sub(linkify, string)
'<a href="http://firstlink.com">firstlink.com</a> and <a href="http://www.secondlink.com">www.secondlink.com</a>'
>>> string = 'firstlink.com and http://firstlink.com'
>>> links.sub(linkify, string)
'<a href="http://firstlink.com">firstlink.com</a> and <a href="http://firstlink.com">http://firstlink.com</a>'
于 2013-06-04T23:05:10.437 回答