python - 用 re.sub 截断字符串

Question

我有一个 url 存储为type=str. 看起来像这样：

url = 'http://www.dog.com/bone?junk=8dj37hf7'

我想删除所有以“？”开头的字符，所以我会：

url = 'http://www.dog.com/bone'

这是我尝试过的：

import re
re.sub('?junk=*', '', url)

但我得到这个错误：

raise error, v # invalid expression sre_constants.error: nothing to repeat

这是解决方案：

import re
re.sub('\?junk=.*', '', url)

---

编辑插入代码括号。编辑为每个 Morten Jensen 添加 .* 符号，但错误仍然存​​在。

编辑：解决了 '.*' 和 '\' 转义。感谢 Morten Jensen、jwodder、thefourtheye 等人。

Answer 1

为什么不只是

url = url.split("?",1)[0]

正则表达式似乎想在这里用大锤杀死一只苍蝇

Answer 2

引用http://docs.python.org/2/library/re.html#regular-expression-syntax

'?'

导致生成的 RE 匹配前面 RE 的 0 或 1 次重复。ab? 将匹配“a”或“ab”。

所以，你需要?用反斜杠转义

url = 'http://www.dog.com/bone?junk=8dj37hf7'
import re
print re.sub('\?.*', '', url)

输出

http://www.dog.com/bone

Answer 3

错误是因为?在正则表达式中导致前面的项目成为可选的，但这里没有前面的项目；为避免这种行为，您需要?使用反斜杠转义。类似地，=*将匹配零个或多个=s，而不是一个=后跟任何内容，即=.*. 因此，要得到你想要的，你需要使用：

re.sub(r'\?junk=.*', '', url)

Answer 4

你可以试试thefourtheye所说的，或者可能是这样的：

>>> url = 'http://www.dog.com/bone?junk=8dj37hf7'
>>> newurl = url[:url.find('?')]
>>> print newurl

http://www.dog.com/bone

这种方法也更快，这里是证明：

In [2]: url = 'http://www.dog.com/bone?junk=8dj37hf7'

In [3]: %timeit newurl = url[:url.find('?')]
1000000 loops, best of 3: 423 ns per loop

In [4]: import re

In [5]: %timeit x = re.sub('\?.*', '', url)
100000 loops, best of 3: 3.1 us per loop

In [6]: %timeit x = re.sub('\?.*', '', url)
100000 loops, best of 3: 3.25 us per loop

Answer 5

如果你想解析 url，urlparse是更好的方法。

from urlparse import urlparse

url = 'http://www.dog.com/bone?junk=8dj37hf7'
parsed = urlparse(url)
real_url = "http://{0}{1}".format(parsed.hostname, parsed.path)

输出：

'http://www.dog.com/bone'