正则表达式使用 python 解析出 URL 的一部分答案

【问题标题】：Regex to parse out a part of URL using python正则表达式使用 python 解析出 URL 的一部分
【发布时间】：2017-01-06 04:08:48
【问题描述】：

我的数据如下，

data['url']
http://hostname.com/aaa/uploads/2013/11/a-b-c-d.jpg https://www.aaa.com/
http://hostname.com/bbb/uploads/2013/11/e-f-g-h.gif https://www.aaa.com/
http://hostname.com/ccc/uploads/2013/11/e-f-g-h.png http://hostname.com/ccc/uploads/2013/11/a-a-a-a.html 
http://hostname.com/ddd/uploads/2013/11/w-e-r-t.ico
http://hostname.com/ddd/uploads/2013/11/r-t-y-u.aspx https://www.aaa.com/
http://hostname.com/bbb/uploads/2013/11/t-r-w-q.jpeg https://www.aaa.com/

我想找出 .jpg、.gif、.png、.ico、.aspx、.html、.jpeg 等格式并向后解析，直到找到“/”。我还想检查整个字符串中是否出现了几次。我的输出应该是，

data['parsed']
a-b-c-d
e-f-g-h
e-f-g-h a-a-a-a
w-e-r-t
r-t-y-u
t-r-w-q

我在想，不是为每种格式编写单独的命令，而是有一种方法可以在单个命令下编写所有内容。

谁能帮我写这些命令？我是正则表达式的新手，任何帮助将不胜感激。

【问题讨论】：

Python: Get URL path sections的可能重复
必须用正则表达式完成吗？ urlparse（如可能的重复项中所述）出色地完成了这项工作。
@JIm 是的。我有几个这样的条件，并且 URL 的结构不足以通过 urlparse 进行解析

标签： python regex python-2.7 python-3.x regex-negation

【解决方案1】：

这会建立一个名称到扩展对的列表

import re
results = []
for link in data:
    matches = re.search(r'/(\w-\w-\w-\w)\.(\w{2,})\b', link)
    results.append((matches.group(1), matches.group(2)))

【讨论】：

jpeg、aspx、html等4个字母不工作
移除了扩展字符限制

【解决方案2】：

此模式返回文件名。我刚刚使用了您的一个 url 来演示，您可以简单地将匹配项附加到结果列表中：

import re
url = "http://hostname.com/ccc/uploads/2013/11/e-f-g-h.png http://hostname.com/ccc/uploads/2013/11/a-a-a-a.html" 

p = r'((?:[a-z]-){3}[a-z]).'
matches = re.findall(p, url)

>>> print('\n'.join(matches))
e-f-g-h
a-a-a-a

假设所有网址都具有您提供的一般形式。

【讨论】：

【解决方案3】：

你可以试试这个：

data['parse'] = re.findall(r'[^/]+\.[a-z]+ ',data['url'])

这将挑选出所有带有扩展名的文件名。如果您想删除扩展，上面的代码会返回一个列表，然后您可以使用列表理解和 re.sub 处理该列表，如下所示：

[re.sub('\.[a-z]+$','',exp) for exp in data['parse']]

使用 .join 函数创建一个字符串，如 Totem 的答案所示

【讨论】：