使用 RegEx 删除具有特定协议的所有链接答案

【问题标题】：Remove all links with a specific protocol with RegEx使用 RegEx 删除具有特定协议的所有链接
【发布时间】：2022-01-21 16:46:31
【问题描述】：

我想从文本中删除所有链接，并将它们替换为以协议“example://”和“example_two://”开头的替代项。所有其他链接都应保持不变。

尽管我限制了链接类型，但以下正则表达式将替换所有链接：

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

有没有人建议更改正则表达式以按预期工作需要什么？

【问题讨论】：

标签： python regex

【解决方案1】：

根据链接中允许的字符，这应该有效：

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>

这会将链接之前的所有内容放入before 组中，将链接之后的所有内容放入after 组中，然后替换pattern.sub 中的完整匹配项。替换是 before 和 after 组中的匹配项的串联，替换链接在中间。

更重要的是，结束标签以开始标签为条件。如果开始标签是<a>，则匹配的结束标签是</a>，否则匹配/>。

【讨论】：