1

Простейшее регулярное выражение успешно справляется с ссылками в простом тексте:

r'(https?://[\S]+)'

В нём всё устраивает, но иногда поступает html, где необходимо вычленить ссылку из тэга a. Если поступит что-то типа some text <a href="http://ya.ru">some text, то в результате вернётся: http://ya.ru>some

Вот такое выражение:

r'(https?://[\S]+[>$])'

возвращает приемлемый результат (ссылку с символом > на конце, который потом можно просто обрезать), но уже не обрабатывает ссылки в простом тексте.

Как в Python объединить эти два выражения в одно, по принципу ИЛИ, чтобы получить все совпадения, одно за другим?

Пробовал через ()|() - так не выходит. Сторонние библиотеки отлично справляются с этой задачей, но надо именно через простейшие регулярные выражения добиться необходимого результата.

3 ответа 3

1

Самое простое:

(https?://[\w.-]+)

Но оно будет так-же искать и невалидные ссылки. Например: https://.-ya_.5 Если уверены в валидности своих ссылок в тексте, то вполне рабочий вариант.

5
  • Такой вариант обрезает https://ya.ru/da.html до https://ya.ru - а надо бы всю ссылку. И % в русских буквах такой вариант скорее всего не воспримет.
    – federk
    26 фев 2017 в 18:08
  • Тогда такой вариант: (https?://[^\"\s]+) 26 фев 2017 в 19:10
  • Это вариант работает как и первый в вопросе. Не обрезает после >. А необходимо чтобы обрезал.
    – federk
    27 фев 2017 в 7:12
  • 1
    (https?://[^\"\s>]+) 27 фев 2017 в 7:35
  • Да, благодарю, это работает как раз как надо.
    – federk
    27 фев 2017 в 16:28
0

Вот так должно сработать, попробуй:

https?://[\S][^>]+
-1

Если вы хотите ссылки из html достать, то следует использовать html парсер. К примеру, Beautiful Soup:

#!/usr/bin/env python3
import bs4  # $ pip install beautifulsoup4

soup = bs4.BeautifulSoup(html_text, 'html.parser')
all_links = soup.find_all('a', href=True)

В общем случае, регулярные выражения не подходят для распознавания html и даже в тех случаях, когда можно regex использовать это может быть не самая лучшая опция.

3
  • Прочитайте внимательнее вопрос. Парсится текст, в котором иногда может оказаться html. Особо обратите внимание на последний абзац.
    – federk
    27 фев 2017 в 7:15
  • @federk: вопросы на Stack Overflow предназначены не только для вас лично. Люди часто пытаются с помощью regex из html вытаскивать информацию без веских на то оснований. Если вы хотите именно regex вытаскивать из текста, который "иногда может оказаться html" то нажмите на последнюю ссылку в моём ответе, где показано как с помощью regex html парсить (и сколько усилий требуется в общем случае). Если вы настаиваете именно на regex, то рекомендую явно ограничить типы допустимого ввода текста/uri, явно упомянуть насколько допустимы ошибки (что не все url найдены, или ложные срабатывания).
    – jfs
    27 фев 2017 в 12:15
  • @federk в тему мета-обсуждение
    – jfs
    28 фев 2017 в 12:46

Ваш ответ

By clicking “Отправить ответ”, you agree to our terms of service and acknowledge that you have read and understand our privacy policy and code of conduct.

Всё ещё ищете ответ? Посмотрите другие вопросы с метками или задайте свой вопрос.