正则表达式提取格式困难的 URL答案

【问题标题】：Regular expression to extract URLs with difficult formatting正则表达式提取格式困难的 URL
【发布时间】：2012-01-16 05:36:20
【问题描述】：

我的问题类似于this one，但更复杂。

我正在尝试找出一个正则表达式来从文本文档中提取 URL。棘手的是，一些 URL 嵌入在更难解析格式的句子中。这是我想从中提取 URL 的文本示例：

<p>There are several links of the general format http://www.foo.com/index.html.</p>
<p>There are many websites (e.g. http://www.foo.com/abc/def?a=2&b=3) that end oddly: http://www.foo.com/results</p>

在这些示例中，第一个 URL 有一个句尾句点，紧跟在需要排除的链接之后。第二个链接在 URL 的末尾有一个右括号，第三个链接在到达 HTML 标记时结束。

就我而言，句点（和右括号）是有效的 URL 字符，除非它是最后一个字符。简而言之，问题是如何处理字符串中有效的字符，前提是它们不是字符串中的最后一个字符。

我目前无法处理这种情况的正则表达式是（在 Python 中）：

m = re.findall("((http:|https:)//[^ \<]+)",line)

对处理这个问题的优雅方法有什么想法吗？

【问题讨论】：

可能你想要其中之一stackoverflow.com/questions/827557/…stackoverflow.com/questions/499345/…stackoverflow.com/questions/520031/…

标签： python regex url hyperlink

【解决方案1】：

您可以像这样禁止句号作为最后一个符号：

m = re.findall("((http:|https:)//[^ \<]*[^ \<\.])",line)

【讨论】：

哇，我绝对没有想到这一点。非常简单的解决方案。谢谢！