使用regex从URL中提取子字符串

Question

Regex新手。我有一堆url，我需要从中提取一些子字符串，我正在使用正则表达式。在

如果我的URL是https://chrome.google.com/webstore/detail/vt-hokie-stone-theme/enmbbbhbkojhbkbolmfgbmlcgpkjjlja?hl=en-US，我需要提取1。vt-hokie-stone-theme第二部分。enmbbbhbkojhbkbolmfgbmlcgpkjjlja将此url中的部分分为两个独立的变量。在

我的URL的初始部分始终保持不变，因此我构建了以下正则表达式detail\/([a-z0-9\-]+)\/([a-z]+)，并尝试在{a1}上执行

我知道regex.findall(string)给了我想要的，但我有以下问题：

1. 我希望它们在两个独立的变量中，而不是在一个变量中使用列表格式。我该怎么做？

2. 另外，在检查pythonregex时，regex.findall(string)命令将输出作为[(u'vt-hokie-stone-theme', u'enmbbbhbkojhbkbolmfgbmlcgpkjjlja')]。{cd8>我不想知道前面的输出。如何删除它？

Answer 1

1. 可以使用tuple/list赋值语法来实现：

   try:
       var1, var2 = re.search(r"detail\/([a-z0-9\-]+)\/([a-z]+)", my_url).groups()
   except AttributeError:
       var1 = var2 = ""
   

2. unicode字符串只在网站的答案中显示，而在原始python中，返回值将是普通字符串。所以，你不用担心。

Answer 2

1. 我个人认为仅仅从findall（）数组的第一个索引中设置变量是没有问题的。但是，如果您确信您的regex总是与url字符串完全匹配，那么您可以尝试一下重新匹配公司名称：

   在[22]：正则表达式=重新编译（'a（bc）（cd）'）

   在[23]：正则表达式匹配（'abccd'）。组（）

   输出[23]：（'bc'，'cd'）

2. unicode有什么问题？你为什么不想留着呢？我知道regex无论如何只返回ascii，所以这不是问题。不管怎样，如果让它们成为常规字符串非常重要，只需将其转换为字符串即可。在

   str（u'abc'）=='abc'

Answer 3

您可以使用下面的正则表达式来实现相同的效果。如果你确定了网址的格式，你可以试试下面的方法。请注意，最后一个捕获th groupsbase的正则表达式是非贪婪的，而捕获组主题的正则表达式是非贪婪的。在

>>> var = 'https://chrome.google.com/webstore/detail/vt-hokie-stone-theme/enmbbbhbkojhbkbolmfgbmlcgpkjjlja?hl=en-U'

>>> match = re.match(r"(?P<base>.*/webstore/.*?/)(?P<theme>.*?)/(?P<tail>.*)",var);
>>> if match:
       ...    print match.group('base')
       ...    print match.group('theme')
       ...    print match.group('tail')

https://chrome.google.com/webstore/detail/
vt-hokie-stone-theme
enmbbbhbkojhbkbolmfgbmlcgpkjjlja?hl=en-U