使用python从文本中提取以符号开头并与其他字符串组合的字符串

Question

我有一个文件与大量的网址和普通文本在一起 示例：

'http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#Reference http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#Informal ACADEMIC type http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#school ACADEMIC type'

我想得到：

'Reference Informal ACADEMIC type school ACADEMIC type'

我试过了

substr1 = re.findall(r"#(\w+)", text1)

这是工作的一部分，但我不知道如何提取我想要的这些部分，并将它们与文本中的其他单词结合起来。基本上，我必须去掉URL和“#”符号。有人能帮我吗？你知道吗

Answer 1

将其转过来；删除URL:

re.sub(r'\bhttps?://[^# ]+#?', '', text1)

演示：

>>> import re
>>> text1 = '\bhttp://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#Reference http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#Informal ACADEMIC type http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#school ACADEMIC type'
>>> re.sub(r'https?://[^# ]+#?', '', text1)
'Reference Informal ACADEMIC type school ACADEMIC type'

表达式查找以http://或https://开头的任何内容，并删除其后不是哈希或空格的任何内容，包括可选哈希。你知道吗

Answer 2

使用re.findall：

>>> import re
>>> s = 'http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#Reference http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#Informal ACADEMIC type http://oaei.ontologymatching.org/2011/benchmarks/101/onto.rdf#school ACADEMIC type'
>>> ''.join(re.findall(r'#(.*?)(?=https?:|$)', s))
'Reference Informal ACADEMIC type school ACADEMIC type'

说明：http://regex101.com/r/dV5uR2