使用 Python 和 Regex 从 URL 获取 YouTube 视频 ID

Posted 2023-02-22

【中文标题】使用 Python 和 Regex 从 URL 获取 YouTube 视频 ID

【英文标题】：Get YouTube video ID from URL with Python and Regex

【发布时间】：2016-04-22 08:31:31

【问题描述】：

我想检索 YouTube URL 的视频 ID 部分，它是 html 锚元素的一部分，例如使用正则表达式：

<a href="http://www.youtube.com/watch?v=NC2blnl0WTE">Some text</a>

我已经四处寻找一些解决方案。我从一个 javascript 解决方案中找到了一个，它从 url 中获取视频 ID，如下所示：

/https?:\/\/(?:[0-9A-Z-]+\.)?(?:youtu\.be\/|youtube(?:-nocookie)?\.com\S*[^\w\s-])([\w-]11)(?=[^\w-]|$)(?![?=&+%\w.-]*(?:['"][^<>]*>|<\/a>))[?=&+%\w.-]*/ig

我想在 Python 中使用它，因为它支持 YouTube 网址的各种变化。我在我的 Python 脚本中实现了它：

string = re.sub(r'https?:\/\/(?:[0-9A-Z-]+\.)?(?:youtu\.be\/|youtube(?:-nocookie)?\.com\S*[^\w\s-])([\w-]11)(?=[^\w-]|$)(?![?=&+%\w.-]*(?:[\'"][^<>]*>|<\/a>))[?=&+%\w.-]*', r'\1', string)

而且我没有替代品。我从正则表达式中删除了/ 和/ig，因为它们仅在 Javascript 中，但我仍然无法获取视频 ID。一旦我能够拿到 ID，我就可以轻松地更改正则表达式以删除锚元素。

我的解决方案做错了什么？谢谢。

【参考方案1】：

我不认为这（向右滚动以查看由^^ 表示的部分）应该是负面的前瞻：

https?:\/\/(?:[0-9A-Z-]+\.)?(?:youtu\.be\/|youtube(?:-nocookie)?\.com\S*[^\w\s-])([\w-]11)(?=[^\w-]|$)(?![?=&+%\w.-]*(?:['"][^<>]*>|<\/a>))[?=&+%\w.-]*
                                                                                                         ^^

我认为它应该是一个非捕获组（即?! 应该是?:）。

>>> import re

>>> html = '<a href="http://www.youtube.com/watch?v=NC2blnl0WTE">Some text</a>'
>>> pattern = re.compile(r"""https?:\/\/(?:[0-9A-Z-]+\.)?(?:youtu\.be\/|youtube(?:-nocookie)?\.com\S*[^\w\s-])([\w-]11)(?=[^\w-]|$)(?:[?=&+%\w.-]*(?:['"][^<>]*>|<\/a>))[?=&+%\w.-]*""", re.IGNORECASE)
>>> re.search(pattern,  html).groups()
('NC2blnl0WTE',)

编辑：请注意，我还必须使用re.IGNORECASE。这是因为正则表达式按原样与www.youtube.com 中的www 不匹配。您需要 [0-9A-Z-] 成为 [0-9A-Za-z-]。但是，忽略大小写会更安全，这样您就不必担心 URL 中的其他文本。

EDIT2：作为否定前瞻，这意味着当 URL 后面跟着锚标记的结束和结束 (">blah blah blah</a>) 时，您将永远无法匹配。

【参考方案2】：

我使用类似下面的东西，基于Youtube I.D parsing for new URL formats，Python regex convert youtube url to youtube video。

import re

test_links = """
    'http://www.youtube.com/watch?v=5Y6HSHwhVlY',
    'http://www.youtube.com/watch?/watch?other_param&v=5Y6HSHwhVlY',
    'http://www.youtube.com/v/5Y6HSHwhVlY',
    'http://youtu.be/5Y6HSHwhVlY', 
    'http://www.youtube.com/embed/5Y6HSHwhVlY?rel=0" frameborder="0"',
    'http://m.youtube.com/v/5Y6HSHwhVlY',
    'https://www.youtube-nocookie.com/v/5Y6HSHwhVlY?version=3&hl=en_US',
    'http://www.youtube.com/',
    'http://www.youtube.com/?feature=ytca
"""

pattern = r'(?:https?:\/\/)?(?:[0-9A-Z-]+\.)?(?:youtube|youtu|youtube-nocookie)\.(?:com|be)\/(?:watch\?v=|watch\?.+&v=|embed\/|v\/|.+\?v=)?([^&=\n%\?]11)'

result = re.findall(pattern, test_links, re.MULTILINE | re.IGNORECASE)

print(result)

但我真的不知道我是否是最新的。

编辑

允许所有子域