python - 如何使用正则表达式查找所有 Markdown 链接？

Question

在 Markdown 中有两种放置链接的方法，一种是直接输入原始链接，例如:<a href="http://example.com" rel="noreferrer noopener nofollow">http://example.com</a> , 另一个是使用 ()[]语法:(Stack Overflow)[<a href="http://example.com" rel="noreferrer noopener nofollow">http://example.com</a> ] .

我正在尝试编写一个可以匹配这两个的正则表达式，并且，如果它是第二个匹配项，则还捕获显示字符串。

到目前为止我有这个:

(?P<href>http://(?:www\.)?\S+.com)|(?<=\((.*)\)\[)((?P=href))(?=\])

Debuggex Demo

但这似乎与我在 Debuggex 中的两个测试用例都不匹配:

http://example.com
(Example)[http://example.com]

真的不确定为什么第一个至少不匹配，这与我使用命名组有关吗？如果可能的话，我想继续使用它，因为这是一个匹配链接的简化表达式，在实际示例中，它太长了，我无法以相同的模式在两个不同的地方复制它。

我做错了什么？或者这根本不可行？

编辑:我在 Python 中执行此操作，因此将使用他们的正则表达式引擎。

Answer 1

您的模式不起作用的原因在这里:(?<=\((.*)\)\[)因为 Python 的 re 模块不允许可变长度后视。

您可以使用 the new regex module of Python 以更方便的方式获得您想要的东西(因为相比之下 re 模块的功能很少)。

示例:(?|(?<txt>(?<url>(?:ht|f)tps?://\S+(?<=\P{P})))|\(([^)]+)\)\[(\g<url>)\])

An online demo

图案细节:

(?|                                       # open a branch reset group
    # first case there is only the url
    (?<txt>                               # in this case, the text and the url  
        (?<url>                           # are the same
            (?:ht|f)tps?://\S+(?<=\P{P})
        )
    )
  |                                       # OR
    # the (text)[url] format
    \( ([^)]+) \)                         # this group will be named "txt" too 
    \[ (\g<url>) \]                       # this one "url"
)

此模式使用分支重置功能 (?|...|...|...)这允许在交替中保留捕获组名称(或数字)。在模式中，由于 ?<txt>分组首先在交替的第一个成员中打开，第二个成员中的第一个组将自动具有相同的名称。 ?<url> 相同组。

\g<url>是对命名子模式的引用 ?<url> (就像一个别名，这样，就不需要在第二个成员中重写了。)

(?<=\P{P})检查 url 的最后一个字符是否不是标点符号(例如有助于避免结束方括号)。 (我不确定语法，可能是 \P{Punct} )