【Python正则-驯化】一文学会通过Python中的正则表达式提取文本中的网址

news2024/9/17 8:50:14

【Python正则-驯化】一文学会通过Python中的正则表达式提取文本中的网址

本次修炼方法请往下查看
在这里插入图片描述

🌈 欢迎莅临我的个人主页 👈这里是我工作、学习、实践 IT领域、真诚分享 踩坑集合，智慧小天地！
🎇 免费获取相关内容文档关注：微信公众号，发送 pandas 即可获取
🎇 相关内容视频讲解 B站

🎓 博主简介：AI算法驯化师，混迹多个大厂搜索、推荐、广告、数据分析、数据挖掘岗位 个人申请专利40+，熟练掌握机器、深度学习等各类应用算法原理和项目实战经验。

🔧 技术专长：在机器学习、搜索、广告、推荐、CV、NLP、多模态、数据分析等算法相关领域有丰富的项目实战经验。已累计为求职、科研、学习等需求提供近千次有偿|无偿定制化服务，助力多位小伙伴在学习、求职、工作上少走弯路、提高效率，近一年好评率100% 。

📝 博客风采：积极分享关于机器学习、深度学习、数据分析、NLP、PyTorch、Python、Linux、工作、项目总结相关的实用内容。

🌵文章目录🌵

- 🎯 1. 基本介绍
- 🎯 2、提取方法论介绍
- 🎯 3、代码实践
- 🎯 4. 注意事项
- 🎯 5. 总结

下滑查看解决方法

🎯 1. 基本介绍

在数据验证和文本处理中，经常需要验证输入的网址是否符合标准格式。正则表达式是一种强大的工具，用于匹配字符串中的特定模式。本博客将介绍一个用于验证网址的正则表达式，并展示如何在Python中使用它。

🎯 2、提取方法论介绍

通常网站遵守一定的格式，具体为：协议+域名+后缀,因此，我们在提取的时候通过如下的模型进行配套，具体为：

模版^(((http|https|ftp):\/\/)?([[a-zA-Z0-9]\-\.])+(\.)([[a-zA-Z0-9]]){2,4}([[a-zA-Z0-9]\/+=%&_\.~?\-]*))*$的构成如下：

^：匹配字符串的开始。
((http|https|ftp):\/\/)?：匹配协议(http, https, ftp)，可能跟一个://，出现0次或1次。
([[a-zA-Z0-9]\-\.])+：匹配域名部分，允许字母、数字、短划线和点。
(\.)([[a-zA-Z0-9]]){2,4}：匹配点和顶级域名，顶级域名长度为2到4个字符。
([[a-zA-Z0-9]\/+=%&_\.~?\-]*)：匹配路径和查询参数，允许字母、数字以及一些特殊字符。
*：前面的模式可以出现0次或多次。
$：匹配字符串的结束。

🎯 3、代码实践

通过上述的提取方法，我们构造相关的数据集来对网站进行验证，具体的操作如下所示：

url_pattern = r'^(((http|https|ftp):\/\/)?([[a-zA-Z0-9]\-\.])+(\.)([[a-zA-Z0-9]]){2,4}([[a-zA-Z0-9]\/+=%&_\.~?\-]*))*$'

# 测试网址列表
urls = [
    "http://example.com",
    "https://www.example.co.uk",
    "ftp://files.example.com/data",
    "not-a-valid-url",
    "http://123.123.123"
]

for url in urls:
    if re.match(url_pattern, url):
        print(f"Valid URL: {url}")
    else:
        print(f"Invalid URL: {url}")

Valid URL: http://example.com
Valid URL: https://www.example.co.uk
Valid URL: ftp://files.example.com/data
Invalid URL: not-a-valid-url
Invalid URL: http://123.123.123