具有协议的域的Regex

Question

我编写了Python脚本，它循环遍历txt文件，并试图在每一行中查找域。

regex所需经费：

• 包含诸如http、https、www等协议。
• 包含"-“，例如ab-cd.com
• 包含数字、字母、其他字符、不区分大小写的字符
• 包含URL，例如，ab.com/home

这是-> r"(?:[a-z0-9](?:[a-z0-9-]{0,61}[a-z0-9])?\.)+[a-z0-9][a-z0-9-]{0,61}[a-z0-9]"，但我也想找到带有协议的域(http、https、www等)。

我试过像-> r"https://www\.|http://www\.|https://www|http://|https://|www\.|http."这样的东西

关键是，我不能把这两件事合并。我是新来的regex，因此，如果以上行的现有regex是错误的或可能是更好的，我将很高兴得到您的回答。

Answer 1

请注意，域名必须遵循一些规则才能使其有效。下面的regex只是假设一个域是有效的，如果它的顶级域只是小写字母。

import re
pat = r'(?:https?)?(?::\/\/)?[\w\.-]+\.(?:[a-z]+)(?:\/[\w\.\/]*)*'
inpt = 'Hello, something like this: example.com |example.com |http://example.com |http:/example.com |https://example.site |example.site |www.example-a.org |www.example-a.org/home |Example.tyz |ex.ample.com |example.web.id |example.org/exmp.exe'
matches = re.findall(pat, inpt)

print(*matches, sep='\n')

输出

example.com
example.com
http://example.com
example.com
https://example.site
example.site
www.example-a.org
www.example-a.org/home
Example.tyz
ex.ample.com
example.web.id
example.org/exmp.exe

您可以使用regexr.com中的这种模式进行测试。

您还可以为url的path部分尝试使用不同的组，并允许除空格以外的任何字符(同样，不是根据url格式规则，而是适用于这种情况)。

pat = r'(?:https?)?(?::\/\/)?[\w\.-]+\.(?:[a-z]+)(?:\/[\S]*)*'