条件 Python 正则表达式以匹配可能包含第二个冒号的 URL

Question

我正在尝试匹配不包含第二个冒号（在协议中的冒号之后，例如 http(s)://）的 URL 或相对路径。

我想拒绝

形式的 URL

https://en.wikipedia.org/wiki/Special:BookSources/0-8018-1841-9

或形式的路径

/wiki/Special:BookSources/0-8018-1841-9

有一个例外。我想保留带有第二个冒号的那些 if 它后面跟着一个下划线：

https://en.wikipedia.org/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond

或

/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond`

我现在的正则表达式（基于 this question and this one) 是 ^[^:]*[:]*.*(/wiki/)[^:]+$，它解决了我需求的第一部分，但没有解决第二部分。

我如何解释冒号后跟下划线的特殊情况？

Answer 1

消极的前瞻可能在这里最有意义：

^https?://(?!.*:[^_]).*wiki.*

请注意 /wiki/Special:BookSources/0-8018-1841-9 严格来说不是 URL 因为没有协议。相反，它是一条路径。您可能需要稍微修改一下我上面写的内容，但否定前瞻是解决您问题的简单方法。

Answer 2

在处理以各种形式、不同方案或没有域锚的 url 路径时，我喜欢使用 urlpath。

安装：

pip install urlpath

您可以使用 urlpath 库检查域后 url 的每个部分，看它们是否包含不带下划线的冒号。如果您想避免正则表达式，此示例很有用。

示例：

>>> from urlpath import URL
>>> url = URL('https://en.wikipedia.org/wiki/Special:BookSources/0-8018-1841-9')
>>> any(':' in i and not ':_' in i for i in url.parts[1:])
True
>>> url2 = URL('https://en.wikipedia.org/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond')
>>> any(':' in i and not ':_' in i for i in url2.parts[1:])
False

在这个例子中，任何语句都为你想要忽略的 urls 返回 true。如果你想让这个例子更实用一点，你也可以使用正则表达式进行过滤。

>>> any(re.search(':[^_]',i) for i in url.parts[1:])
True
>>> any(re.search(':[^_]',i) for i in url2.parts[1:])
False

如果您正在使用这些 url 执行任何请求，我建议您试试 urlpath 库。它结合了 pathlib 的灵活性、功能性 urllib.parse，并根据要求构建了它。

>>> url.get()
<Response [200]>

条件 Python 正则表达式以匹配可能包含第二个冒号的 URL

Conditional Python regex to match URLs that may contain a second colon

python

regex

regex-negation