检测Python中字符串内URL的最佳正则表达式

Posted 2021-04-10

我尝试了很多正则表达式来检测字符串中的URL。

最后我选择这个：

URL_REGEX = r"""((?:(?:https|ftp|http)?:(?:/{1,3}|[a-z0-9%])|[a-z0-9.-]+[.](?:com|org|uk)/)(?:[^s()<>{}[]]+|([^s()]*?([^s()]+)[^s()]*?)|([^s]+?))+(?:([^s()]*?([^s()]+)[^s()]*?)|([^s]+?)|[^s`!()[]{};:'".,<>?«»“”‘’])|(?:(?<!@)[a-z0-9]+(?:[.-][a-z0-9]+)*[.](?:com|uk|ac)/?(?!@)))"""

效果很好...但是今天我得到了这样的字符串：

'This is my tweet check it out:http://www.example.com/blah and http://blabla.com'

您可以看到out：后的out：http：// ...没有空格。在这种情况下，我的脚本破坏了预期的结果并返回了如下代码：

out:http://www.example.com/blah

我的完整脚本示例（它从普通文本中拆分网址）：

import re

URL_REGEX = r"""((?:(?:https|ftp|http)?:(?:/{1,3}|[a-z0-9%])|[a-z0-9.-]+[.](?:com|org|uk)/)(?:[^s()<>{}[]]+|([^s()]*?([^s()]+)[^s()]*?)|([^s]+?))+(?:([^s()]*?([^s()]+)[^s()]*?)|([^s]+?)|[^s`!()[]{};:'".,<>?«»“”‘’])|(?:(?<!@)[a-z0-9]+(?:[.-][a-z0-9]+)*[.](?:com|uk|ac)/?(?!@)))"""

s = 'This is my tweet check it out:http://www.example.com/blah and http://blabla.com'
result = re.split(URL_REGEX, s)
print(result)

任何人都可以建议一个更好的，较短的REGEXP来识别URL？

答案

尝试一下：

import re

url = 'This is my tweet check it out:http://www.example.com/blah and http://blabla.com'

result = re.findall('https?://(?:[-w.]|(?:%[da-fA-F]{2}))+', url)

result

输出：

['http://www.example.com', 'http://blabla.com']