如何使用正则表达式提取降价链接？

Question

我目前拥有用于解析标记文本的Python代码，以便提取标记链接方括号内的内容以及超链接

import re

# Extract []() style links
link_name = "[^]]+"
link_url = "http[s]?://[^)]+"
markup_regex = f'\[({link_name})]\(\s*({link_url})\s*\)'

for match in re.findall(markup_regex, '[a link](https://www.wiki.com/atopic_(subtopic))'):
    name = match[0]
    url = match[1]
    print(url)
    # url will be https://wiki.com/atopic_(subtopic

这将无法获取正确的链接，因为它与第一个括号匹配，而不是最后一个括号

我怎样才能使正则表达式一直保持到最后一个括号

Answer 1

我认为您需要区分什么是markdown中的有效链接，以及（可选）什么是有效url。 例如，标记中的有效链接也可以是相对路径，URL可能有也可能没有“http（s）”或“www”部分

只要使用link_url = "http[s]?://.+"甚至link_url = ".*"，代码就已经可以工作了。它将解决URL以括号结尾的问题，并且只意味着您依赖markdown结构[]()来查找链接。 验证URL是一个完全不同的讨论：How do you validate a URL with a regular expression in Python?

示例代码修复程序：

import re

# Extract []() style links
link_name = "[^\[]+"
link_url = "http[s]?://.+"
markup_regex = f'\[({link_name})]\(\s*({link_url})\s*\)'

for match in re.findall(markup_regex, '[a link](https://www.wiki.com/atopic_(subtopic))'):
    name = match[0]
    url = match[1]
    print(url)
    # url will be https://wiki.com/atopic_(subtopic)

注意，我还调整了link_name，以防止标记文本中某个地方的单个“[”出现问题

Answer 2

对于这些类型的URL，您需要一种只有较新的regex模块支持的递归方法：

import regex as re

data = """
It's very easy to make some words **bold** and other words *italic* with Markdown. 
You can even [link to Google!](http://google.com)
[a link](https://www.wiki.com/atopic_(subtopic))
"""

pattern = re.compile(r'\[([^][]+)\](\(((?:[^()]+|(?2))+)\))')

for match in pattern.finditer(data):
    description, _, url = match.groups()
    print(f"{description}: {url}")

这就产生了

link to Google!: http://google.com
a link: https://www.wiki.com/atopic_(subtopic)

见a demo on regex101.com

---

这种神秘的小美可以归结为

\[([^][]+)\]           # capture anything between "[" and "]" into group 1
(\(                    # open group 2 and match "("
    ((?:[^()]+|(?2))+) # match anything not "(" nor ")" or recurse group 2
                       # capture the content into group 3 (the url)
\))                    # match ")" and close group 2

---

注意：这种方法的问题是，它无法用于URL等

[some nasty description](https://google.com/()
#                                          ^^^

这在降价中肯定是完全有效的。如果您要遇到任何这样的URL，请使用适当的解析器