Python正则表达式捕获各种url模式组

Question

我有包含这样字符串的数据集，我想从中删除所有 url

http://google.com 在这种情况下找不到正则表达式 https://google.com http//google com/测试一些乱码 https//google 。 com/test/test1 很棒的 http.//google.org

现在，我正在使用这个正则表达式模式来查找所有 url:

https?:?\s?\/\/\s?\S+

现在，理想情况下，它应该捕获所有 url，例如在这种情况下，

• http://google.com

• https://google.com

• http//google com/test

• https//谷歌。 com/test/test1

• http.//google.org

但是使用我的正则表达式模式，它只捕获

• http://google.com

• https://google.com

• http//google

• https//google

链接到 Regex .

Answer 1

你可以使用

https?[:.]?\s?\/\/(?:\s*[^\/\s.]+)+(?:\s*\.\s*[^\/\s.]+)*(?:\s*\/\s*[^\/\s]+)*

参见 regex demo .

详情

• https? - http 或 https
• [:.]? - 可选的 : 或 .
• \s? - 一个可选的空格-\/\/ - // 字符序列
• (?:\s*[^\/\s.]+)+ -(匹配所有域名部分，直到 TLD 之前的最后一个 .)1或多次出现
  • \s* - 0 个或多个空格
  • [^\/\s.]+ - 除了 /、. 和空格之外的 1 个或多个字符
• (?:\s*\.\s*[^\/\s.]+)* - 0 个或多个序列
  • \s*\.\s* - 用 0+ 个空格包围的点
  • [^\/\s.]+ - 除了 /、. 和空格之外的 1 个或多个字符
• (?:\s*\/\s*[^\/\s]+)* - 0 个或多个序列
  • \s*\/\s* - 包含 0+ 个空格的 /
  • [^\/\s]+ - 除了 / 和空格之外的 1 个或多个字符