2

我知道使用 urllib 你可以解析一个字符串并检查它是否是一个有效的 URL。但是如何去检查一个句子中是否包含一个 URL，然后提取那个 URL。我已经看到了一些巨大的正则表达式，但我宁愿不使用我真的无法理解的东西。

所以基本上我有一个输入字符串，我需要找到并提取该字符串中的所有 URL。

有什么干净的方法来解决这个问题。

4

2 回答 2

2

您可以搜索包含的“单词” :，然后将它们传递给urlparse（urllib.parse在 Python 3.0 和更新版本中重命名为）以检查它们是否是有效的 URL。

例子：

possible_urls = re.findall(r'\S+:\S+', text)

如果您只想将自己限制在以http://or开头的 URL https://（或您想要允许的任何其他内容），您也可以使用正则表达式来执行此操作，例如：

possible_urls = re.findall(r'https?://\S+', text)

您可能还想使用一些启发式方法来确定 URL 的开始和停止位置，因为有时人们会在 URL 中添加标点符号，从而提供新的有效但无意中不正确的 URL，例如：

您看到http://example.com/的新外观了吗？这完全是对http://example.org/的剽窃！

这里 URL 后面的标点不打算成为 URL 的一部分。从上述文本中自动添加的链接可以看出，StackOverflow 实现了这样的启发式。

于 2011-03-19T19:27:52.120 回答
1

从“野外”中提取 URL 是一项棘手的工作（要正确执行）。Jeff Atwood 写了一篇关于这个主题的博客文章：URL 的问题此外，John Gruber 也解决了这个问题：An Improvement Liberal, Accurate Regex Pattern for Matching URLs 另外，我还编写了一些代码来尝试解决这个问题：URL 链接 (HTTP/FTP)（用于 PHP/Javascript）。（请注意，我的正则表达式特别复杂，因为它旨在应用于 HTML 标记，并尝试跳过已经链接的 URL（即 <a href="http://example.com">Link!</a> )

其次，在验证URI/URL 时，您要查看的文档是RFC-3986。我一直在写一篇关于这个主题的文章：Regular Expression URI Validation。您可能也想看看这个。

但是，当您认真对待它时，这不是一项微不足道的任务！

于 2011-03-20T00:55:50.203 回答