可选文件扩展名的正则表达式匹配答案

【问题标题】：Regex match for optional file extension可选文件扩展名的正则表达式匹配
【发布时间】：2012-06-05 10:38:10
【问题描述】：

我正在使用 Python 中的正则表达式从文本中提取部分 URL。我正在寻找的 URL 来自一组有限的模式，所以感觉就像我应该能够在正则表达式中处理它们。我要提取的是文件名的第一部分（以下所有示例中的“some.file.name”），其中可以包括点、字母和数字。

这些是 URL 可以采用的形式：

http://www.example.com/some.file.name.html
http://www.example.com/some.file.name_foo.html
http://www.example.com/some.file.name(123).html
http://www.example.com/some.file.name_foo(123).html
http://www.example.com/some.file.name
http://www.example.com/some.file.name_foo
http://www.example.com/some.file.name(123)
http://www.example.com/some.file.name_foo(123)

我认为我对这个正则表达式非常满意：

http://www\.example\.com/([a-zA-Z0-9\.]+)(_[a-z]+)?(\(\d+\))?(\.html)?

但是当 URL 类似于列表中的第一个时，它会在匹配中包含“.html”。有什么方法可以阻止这种情况，还是正则表达式的基本限制？

我很高兴删除代码中的扩展名，因为它始终是相同的，并且永远不会作为文件名的一部分有效，但将其作为正则表达式匹配的一部分会更简洁。

编辑：

我要强调的是，这些 URL 位于正文中。我无法保证它们之前或之后是否有字符，或者这些字符可能是什么。我认为可以安全地假设它们不会是数字、字母、下划线或圆点。

【问题讨论】：

标签： python regex url python-2.7

【解决方案1】：

正则表达式默认匹配greedy。

试试这个正则表达式：

^http://www\.example\.com/([a-zA-Z0-9\.]+?)(_[a-z]+)?(\(\d+\))?(\.html)?$

请注意添加的额外? 不会捕获第一部分中的.html。它使第一组捕获尽可能少地匹配，而不是尽可能多地匹配。如果没有?，.html 将包含在第一个组中，因为其他组是可选的，并且贪婪匹配会尝试尽可能“早”匹配。

附：另请注意，我使用^ 和$ 锚定了正则表达式以始终匹配整行。

【讨论】：

不幸的是，文件名后面的所有组都是可选的，使用 ? 在这里只会给我文件名的第一个字母，因为没有什么可以“拉”正则表达式的末尾网址。
我的下一个想法是使用单词边界 (\b) 将正则表达式拉到 URL 的末尾。当然这不起作用，因为. 算作单词边界。
这也是我添加$ 符号的原因。你也复制了吗？在某些语言中，“匹配”意味着^ 和$，而不是开放式的“搜索”。不过，我更喜欢^ 和$ 的显式方式。但是我还没有测试过第一个问号是否足以使最后的可选组更强大。但它应该是“贪婪的可选”？
如果我只是自己处理 URL，那将是可行的，遗憾的是我正在从文本正文中提取它们。
是的，“贪婪可选”是对我所追求的东西的非常准确的描述。

【解决方案2】：

您可以将 .html 扩展名指定为非捕获组：

http://www\.example\.com/([a-zA-Z0-9\.]+)(_[a-z]+)?(\(\d+\))?(?=(\.html)?)

【讨论】：

遗憾的是，这不是这里的问题。我的问题是“.html”被包含在第一组中，而不是它被捕获在自己的组中。
好的，然后尝试一个后缀组： (?=(\.html)?) 在末尾而不是 ?:
在burkeware.com/software/regex_playground.html 尝试这个仍然包括.html 在第一个示例的情况下。这可能与语言有关吗？

【解决方案3】：

在我看来，您并不关心文件扩展名。您只想提取文件名。

试试这个：

http://www\.example\.com/([\w]+.[\w]+.[\w()]+)

在 PHP 中，我使用了 preg_match_all($regex, $str, $matches)，它返回类似这样的内容。

Array
(
    [0] => Array
        (
            [0] => http://www.example.com/some.file.name
            [1] => http://www.example.com/some.file.name_foo
            [2] => http://www.example.com/some.file.name(123)
            [3] => http://www.example.com/some.file.name_foo(123)
            [4] => http://www.example.com/some.file.name
            [5] => http://www.example.com/some.file.name_foo
            [6] => http://www.example.com/some.file.name(123)
            [7] => http://www.example.com/some.file.name_foo(123)
        )

    [1] => Array
        (
            [0] => some.file.name
            [1] => some.file.name_foo
            [2] => some.file.name(123)
            [3] => some.file.name_foo(123)
            [4] => some.file.name
            [5] => some.file.name_foo
            [6] => some.file.name(123)
            [7] => some.file.name_foo(123)
        )

)

希望对你有帮助！

【讨论】：