python - 正则表达式检查给定字符串是否为相对 URL

Question

首先，我阅读了this question关于如何检查字符串是绝对 URL 还是相对 URL。我的问题是我需要一个正则表达式来检查给定的字符串是否是 relative URL，即我需要一个正则表达式来检查字符串是否不以任何协议(protocol)或双斜杠 //。

实际上，我正在使用 Beautiful Soup 进行网络抓取，我想检索所有相关链接。 Beautiful Soup 使用以下语法:

soup.findAll(href=re.compile(REGEX_TO_MATCH_RELATIVE_URL))

所以，这就是我需要这个的原因。

测试用例是

about.html
tutorial1/
tutorial1/2.html
/
/experts/   
../ 
../experts/ 
../../../   
./  
./about.html

非常感谢。

Answer 1

既然你觉得它有帮助，我发布我的建议。

正则表达式可以是:

^(?!www\.|(?:http|ftp)s?://|[A-Za-z]:\\|//).*

参见 demo

请注意，如果您开始添加排除项或更多替代项，它会变得越来越难以阅读。因此，或许可以使用 VERBOSE 模式(用 re.X 声明):

import re
p = re.compile(r"""^                    # At the start of the string, ...
                   (?!                  # check if next characters are not...
                      www\.             # URLs starting with www.
                     |
                      (?:http|ftp)s?:// # URLs starting with http, https, ftp, ftps
                     |
                      [A-Za-z]:\\       # Local full paths starting with [drive_letter]:\  
                     |
                      //                # UNC locations starting with //
                   )                    # End of look-ahead check
                   .*                   # Martch up to the end of string""", re.X)
print(p.search("./about.html"));          # => There is a match
print(p.search("//dub-server1/mynode"));  # => No match

参见 IDEONE demo

其他 Washington Guedes 的正则表达式

1. ^([a-z0-9]*:|.{0})\/\/.*$ - 匹配

   • ^ - 字符串的开头
   • ([a-z0-9]*:|.{0}) - 2 个备选方案:
   • [a-z0-9]*: - 0 个或多个字母或数字后跟 :
   • .{0} - 空字符串
   • \/\/.* - // 和除换行符以外的 0 个或多个字符(注意您不需要转义 /在 Python 中)
   • $ - 字符串结尾

因此，您可以将其重写为 ^(?:[a-z0-9]*:)?//.*$。 i 标志应该与此正则表达式一起使用。

1. ^[^\/]+\/[^\/].*$|^\/[^\/].*$ - 不是最优的，有 2 个选择

备选方案 1:

• ^ - 字符串的开始
• [^\/]+ - /
以外的 1 个或多个字符
• \/ - 文字 /
• [^\/].*$ - / 以外的字符后跟除换行符以外的任意 0 个或多个字符

备选方案 2:

• ^ - 字符串的开始
• \/ - 文字 /
• [^\/].*$ - / 以外的符号，后跟除换行符以外的任意 0 个或多个字符，直至字符串末尾。

很明显，整个正则表达式可以缩短为^[^/]*/[^/].*$。 i 选项可以安全地从正则表达式标志中删除。