从字符串中提取所有URL的正则表达式

Question

我有一根这样的绳子

http://example.com/path/topage.htmlhttp://twitter.com/p/xyanhshttp://httpget.org/get.zipwww.google.com/privacy.htmlhttps://goodurl.net/

我想把所有的url/webaddress提取到一个数组中。例如

urls = ['http://example.com/path/topage.html','http://twitter.com/p/xyan',.....]

这是我的方法，但没有奏效。在

import re
strings = "http://example.com/path/topage.htmlhttp://twitter.com/p/xyanhshttp://httpget.org/get.zipwww.google.com/privacy.htmlhttps://goodurl.net/"
links = re.findall('http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', strings)

print links
// result always same as strings 

Answer 1

您的问题是，http://被接受为url的有效部分。这是因为这里的代币：

[$-_@.&+]

或者更具体地说：

^{pr2}$

这将匹配范围从$到_的所有字符，其中包含的字符可能比您预期的要多得多。在

您可以将其更改为[$\-_@.&+]，但这会导致问题，因为现在，/字符将不匹配。所以用[$\-_@.&+/]添加它。但是，这将再次导致问题，因为http://example.com/path/topage.htmlhttp将被视为有效匹配。在

最后添加的是添加一个lookahead以确保您没有匹配http://或{}，这恰好是regex的第一部分！在

http[s]?://(?:(?!http[s]?://)[a-zA-Z]|[0-9]|[$\-_@.&+/]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))+

测试here

Answer 2

问题是你的regex模式太包容了。它包括所有的url。可以通过使用（？）来使用lookahead？=）

试试这个：

re.findall("((www\.|http://|https://)(www\.)*.*?(?=(www\.|http://|https://|$)))", strings)

Answer 3

一个简单而又不复杂的答案：

import re
url_list = []

for x in re.split("http://", l):
    url_list.append(re.split("https://",x))

url_list = [item for sublist in url_list for item in sublist]

如果要将字符串http://和https://追加回url，请对代码进行适当的更改。希望我能传达这个想法。在