正则表达式来提取URL，而不使用不需要的单词

Question

目前我有如下字符串：

urls = [
    '<a href=https://energyplus.net/weather-download/asia_wmo_region_2/IND//IND_Kota.424520_ISHRAE/IND_Kota.424520_ISHRAE.epw>Download Weather File</a>',
    '<a href=https://energyplus.net/weather-download/europe_wmo_region_6/ESP//ESP_Alicante.083600_SWEC/ESP_Alicante.083600_SWEC.epw>Download Weather File</a>'
]

以及如下所示的正则表达式搜索：

for url in urls:
    match = re.search(r'href=[\'"]?([^\'" >]+)', url)
    if match:
        url = match.group(1)

url返回：

https://energyplus.net/weather-download/asia_wmo_region_2/IND//IND_Kota.424520_ISHRAE/IND_Kota.424520_ISHRAE.epw
https://energyplus.net/weather-download/europe_wmo_region_6/ESP//ESP_Alicante.083600_SWEC/ESP_Alicante.083600_SWEC.epw

我希望过滤掉包含单词SWEC的url，这样第二个url字符串就不匹配了。我认为这可能与(?!SWEC)有关，但即使这是正确的，我也不确定如何将其合并到当前的正则表达式搜索中

如果能得到建议，我将不胜感激

Answer 1

您可以将.*添加到负前瞻(?!.*SWEC)，这样正则表达式将断言字符序列不匹配其后面紧跟单词SWEC的任何字符（换行符除外）。这种消极的前瞻不需要进入您的正则表达式捕获组，但它有助于减少查找有效匹配的步骤数

import re

urls = [
    '<a href=https://energyplus.net/weather-download/asia_wmo_region_2/IND//IND_Kota.424520_ISHRAE/IND_Kota.424520_ISHRAE.epw>Download Weather File</a>',
    '<a href=https://energyplus.net/weather-download/europe_wmo_region_6/ESP//ESP_Alicante.083600_SWEC/ESP_Alicante.083600_SWEC.epw>Download Weather File</a>'
]

for url in urls:
    match = re.search(r'href=[\'"]?((?!.*SWEC)[^\'" >]+)', url)
    if match:
        url = match.group(1)
        print(url)

# https://energyplus.net/weather-download/asia_wmo_region_2/IND//IND_Kota.424520_ISHRAE/IND_Kota.424520_ISHRAE.epw

Regex101example