用RegEx删除特定协议的所有链接

Question

我希望从文本中删除所有链接，并将它们替换为以“示例://”和“示例_2://”协议开始的替代。所有其他环节应保持不动。

下面的regex将替换所有链接，尽管我限制了链接类型：

(\<a).+?(example|example_two)?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\),]|(?:%[0-9a-fA-F][0-9a-fA-F]))(.+?)</a>+"

是否有人建议将regex按预期的方式工作？

Answer 1

根据链接中允许的字符，这应该可以工作：

import re

link1 = r'<a href=example_two://path.com/to/something?and_some_parameters=1234&and_ano%20ther_one=asdf />'
link2 = r'<a> href="example_two://path.com/to/something?and_some_parameters=1234&and_another_one=asdf"</a>'

pattern = re.compile(r"(?P<before>(?:(?P<opening><a>)|<a).*)(?:example|example_two)://[a-zA-Z0-9_/.=%?&$:;#,<>]*(?P<after>.*(?(opening)</a>|/>))")

print(pattern.sub(r"\g<before>https://stackoverflow.com\g<after>", link1))
print(pattern.sub(r"\g<before>https://example.com\g<after>", link2))

# Prints:
# <a href=https://stackoverflow.com/>
# <a> href="https://example.com"</a>

这将获取链接之前的任何内容，并将其放入before组中，在after组中的链接之后放置任何内容，然后替换pattern.sub中的完全匹配。替换是before和after组中匹配的连接，替换链接位于中间。

此外，结束标签是以开始标签为条件的。如果开始标记为<a>，则匹配的结束标记为</a>，否则将匹配/>。