Какой самый чистый способ извлечь URL-адреса из строки с помощью Python?

Ответ 1

Используйте регулярное выражение.

Ответить на комментарий от OP: Я знаю, что это не полезно. Я говорю вам правильный способ решить проблему, поскольку вы заявили, что использовать регулярное выражение.

Ответ 2

Посмотрите на подход Django: django.utils.urlize(). Регулярные выражения слишком ограничены для работы, и вы должны использовать эвристику, чтобы получить результаты, которые в основном правы.

Ответ 3

Я знаю, что это именно то, чего вы не хотите, но вот файл с огромным регулярным выражением:

#!/usr/bin/python
# -*- coding: utf-8 -*-
"""
the web url matching regex used by markdown
http://daringfireball.net/2010/07/improved_regex_for_matching_urls
https://gist.github.com/gruber/8891611
"""
URL_REGEX = r"""(?i)\b((?:https?:(?:/{1,3}|[a-z0-9%])|[a-z0-9.\-]+[.](?:com|net|org|edu|gov|mil|aero|asia|biz|cat|coop|info|int|jobs|mobi|museum|name|post|pro|tel|travel|xxx|ac|ad|ae|af|ag|ai|al|am|an|ao|aq|ar|as|at|au|aw|ax|az|ba|bb|bd|be|bf|bg|bh|bi|bj|bm|bn|bo|br|bs|bt|bv|bw|by|bz|ca|cc|cd|cf|cg|ch|ci|ck|cl|cm|cn|co|cr|cs|cu|cv|cx|cy|cz|dd|de|dj|dk|dm|do|dz|ec|ee|eg|eh|er|es|et|eu|fi|fj|fk|fm|fo|fr|ga|gb|gd|ge|gf|gg|gh|gi|gl|gm|gn|gp|gq|gr|gs|gt|gu|gw|gy|hk|hm|hn|hr|ht|hu|id|ie|il|im|in|io|iq|ir|is|it|je|jm|jo|jp|ke|kg|kh|ki|km|kn|kp|kr|kw|ky|kz|la|lb|lc|li|lk|lr|ls|lt|lu|lv|ly|ma|mc|md|me|mg|mh|mk|ml|mm|mn|mo|mp|mq|mr|ms|mt|mu|mv|mw|mx|my|mz|na|nc|ne|nf|ng|ni|nl|no|np|nr|nu|nz|om|pa|pe|pf|pg|ph|pk|pl|pm|pn|pr|ps|pt|pw|py|qa|re|ro|rs|ru|rw|sa|sb|sc|sd|se|sg|sh|si|sj|Ja|sk|sl|sm|sn|so|sr|ss|st|su|sv|sx|sy|sz|tc|td|tf|tg|th|tj|tk|tl|tm|tn|to|tp|tr|tt|tv|tw|tz|ua|ug|uk|us|uy|uz|va|vc|ve|vg|vi|vn|vu|wf|ws|ye|yt|yu|za|zm|zw)/)(?:[^\s()<>{}\[\]]+|\([^\s()]*?\([^\s()]+\)[^\s()]*?\)|\([^\s]+?\))+(?:\([^\s()]*?\([^\s()]+\)[^\s()]*?\)|\([^\s]+?\)|[^\s`!()\[\]{};:'".,<>?«»""‘’])|(?:(?<[email protected])[a-z0-9]+(?:[.\-][a-z0-9]+)*[.](?:com|net|org|edu|gov|mil|aero|asia|biz|cat|coop|info|int|jobs|mobi|museum|name|post|pro|tel|travel|xxx|ac|ad|ae|af|ag|ai|al|am|an|ao|aq|ar|as|at|au|aw|ax|az|ba|bb|bd|be|bf|bg|bh|bi|bj|bm|bn|bo|br|bs|bt|bv|bw|by|bz|ca|cc|cd|cf|cg|ch|ci|ck|cl|cm|cn|co|cr|cs|cu|cv|cx|cy|cz|dd|de|dj|dk|dm|do|dz|ec|ee|eg|eh|er|es|et|eu|fi|fj|fk|fm|fo|fr|ga|gb|gd|ge|gf|gg|gh|gi|gl|gm|gn|gp|gq|gr|gs|gt|gu|gw|gy|hk|hm|hn|hr|ht|hu|id|ie|il|im|in|io|iq|ir|is|it|je|jm|jo|jp|ke|kg|kh|ki|km|kn|kp|kr|kw|ky|kz|la|lb|lc|li|lk|lr|ls|lt|lu|lv|ly|ma|mc|md|me|mg|mh|mk|ml|mm|mn|mo|mp|mq|mr|ms|mt|mu|mv|mw|mx|my|mz|na|nc|ne|nf|ng|ni|nl|no|np|nr|nu|nz|om|pa|pe|pf|pg|ph|pk|pl|pm|pn|pr|ps|pt|pw|py|qa|re|ro|rs|ru|rw|sa|sb|sc|sd|se|sg|sh|si|sj|Ja|sk|sl|sm|sn|so|sr|ss|st|su|sv|sx|sy|sz|tc|td|tf|tg|th|tj|tk|tl|tm|tn|to|tp|tr|tt|tv|tw|tz|ua|ug|uk|us|uy|uz|va|vc|ve|vg|vi|vn|vu|wf|ws|ye|yt|yu|za|zm|zw)\b/?([email protected])))"""

Я вызываю этот файл urlmarker.py, и когда мне это нужно, я просто импортирую его, например.

import urlmarker
import re
re.findall(urlmarker.URL_REGEX,'some text news.yahoo.com more text')

ср. http://daringfireball.net/2010/07/improved_regex_for_matching_urls

Кроме того, вот что использует Django (1.6) для проверки URLField s:

regex = re.compile(
    r'^(?:http|ftp)s?://'  # http:// or https://
    r'(?:(?:[A-Z0-9](?:[A-Z0-9-]{0,61}[A-Z0-9])?\.)+(?:[A-Z]{2,6}\.?|[A-Z0-9-]{2,}\.?)|'  # domain...
    r'localhost|'  # localhost...
    r'\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3}|'  # ...or ipv4
    r'\[?[A-F0-9]*:[A-F0-9:]+\]?)'  # ...or ipv6
    r'(?::\d+)?'  # optional port
    r'(?:/?|[/?]\S+)$', re.IGNORECASE)

ср. https://github.com/django/django/blob/1.6/django/core/validators.py#L43-50

Django 1.9 имеет эту логику, разделенную на несколько классов

Ответ 4

Существует отличное сравнение 13 различных подходов к регулярному выражению

..., который можно найти на этой странице: В поисках правильного регулярного URL-адреса проверки URL.

Регулярное выражение Diego Perini, прошедшее все тесты, длиннее очень, но доступно на его основе здесь.
Обратите внимание, что вам нужно будет преобразовать его версию PHP в регулярное выражение python (есть небольшие отличия).

В итоге я использовал версию Imme Emosol, которая проходит подавляющее большинство тестов и является частью размера Diego Perini's.

Вот версия, совместимая с python регулярного выражения Imme Emosol:

r'^(?:(?:https?|ftp)://)(?:\S+(?::\S*)[email protected])?(?:(?:[1-9]\d?|1\d\d|2[01]\d|22[0-3])(?:\.(?:1?\d{1,2}|2[0-4]\d|25[0-5])){2}(?:\.(?:[1-9]\d?|1\d\d|2[0-4]\d|25[0-4]))|(?:(?:[a-z\u00a1-\uffff0-9]+-?)*[a-z\u00a1-\uffff0-9]+)(?:\.(?:[a-z\u00a1-\uffff0-9]+-?)*[a-z\u00a1-\uffff0-9]+)*(?:\.(?:[a-z\u00a1-\uffff]{2,})))(?::\d{2,5})?(?:/[^\s]*)?$'

Ответ 5

Вы можете использовать эту библиотеку, которую я написал:

https://github.com/imranghory/urlextractor

Это очень хаки, но он не полагается на "http://", как и на многие другие методы, вместо этого он использует список TLD Mozilla (через библиотеку tldextract) для поиска TLD (например, ".co.uk" ), ".com" и т.д.) в тексте, а затем пытается создать URL-адреса вокруг TLD.

Он не стремится быть совместимым с RFC, а скорее точным для того, как URL-адреса используются на практике в реальном мире. Например, он отклонит технически допустимый домен "com" ​​(вы фактически можете использовать TLD в качестве домена, хотя он редко встречается на практике), и будет разделять полные остановки или запятые из URL-адресов.

Ответ 6

Вы можете использовать BeautifulSoup.

def extractlinks(html):
    soup = BeautifulSoup(html)
    anchors = soup.findAll('a')
    links = []
    for a in anchors:
        links.append(a['href'])
    return links

Обратите внимание, что решение с регулярными выражениями выполняется быстрее, хотя и не будет столь точным.

Ответ 7

если вы знаете, что есть URL-адрес, следующий за пробелом в строке, вы можете сделать что-то вроде этого:

s - строка, содержащая url

>>> t = s[s.find("http://"):]
>>> t = t[:t.find(" ")]

в противном случае вам нужно проверить, возвращает ли find -1 или нет.

Ответ 8

Я опаздываю на вечеринку, но вот решение, которое мне предложило кто-то из #python on freenode. Это позволяет избежать проблем с регулярным выражением.

from urlparse import urlparse

def extract_urls(text):
    """Return a list of urls from a text string."""
    out = []
    for word in text.split(' '):
        thing = urlparse(word.strip())
        if thing.scheme:
            out.append(word)
    return out

Ответ 9

import re
text = '<p>Please click <a href="http://www.dr-chuck.com">here</a></p>'
aa=re.findall('href="(.+)"',text)
print(aa)

Ответ 10

Есть другой способ, как легко извлекать URL-адреса из текста. Вы можете использовать urlextract, чтобы сделать это за вас, просто установите его через pip:

pip install urlextract

а затем вы можете использовать его следующим образом:

from urlextract import URLExtract

extractor = URLExtract()
urls = extractor.find_urls("Let have URL stackoverflow.com as an example.")
print(urls) # prints: ['stackoverflow.com']

Дополнительную информацию можно найти на моей странице github: https://github.com/lipoja/URLExtract

ПРИМЕЧАНИЕ. Он загружает список TLD из iana.org, чтобы вы были в курсе последних событий. Но если программа не имеет доступа в Интернет, то это не для вас.

Этот подход аналогичен описанному выше в urlextractor, но мой код является последним, поддерживается, и я открыт для любых предложений (новых функций).