可选文件扩展名的正则表达式匹配

Question

我正在使用 Python 中的正则表达式从文本中提取 URL 的部分。我正在寻找的 URL 来自一组有限的模式，因此感觉我应该能够在正则表达式中处理它们。我试图提取的是文件名的第一部分（下面所有示例中的“some.file.name”），其中可以包含点、字母和数字。

URL 可以采用以下几种形式：

http://www.example.com/some.file.name.html
http://www.example.com/some.file.name_foo.html
http://www.example.com/some.file.name(123).html
http://www.example.com/some.file.name_foo(123).html
http://www.example.com/some.file.name
http://www.example.com/some.file.name_foo
http://www.example.com/some.file.name(123)
http://www.example.com/some.file.name_foo(123)

我想我对这个正则表达式已经很满意了：

http://www\.example\.com/([a-zA-Z0-9\.]+)(_[a-z]+)?(\(\d+\))?(\.html)?

但是当 URL 类似于列表中的第一个 URL 时，它会在匹配中包含“.html”。有什么方法可以阻止这种情况，或者这是正则表达式的基本限制吗？

我很高兴在代码中删除扩展名，因为它始终是相同的，并且作为文件名的一部分永远不会有效，但将其作为正则表达式匹配的一部分会更干净。

编辑：

我要强调的是，这些 URL 位于文本正文中。我无法保证它们之前或之后是否有字符或者这些字符可能是什么。我认为可以安全地假设它们不是数字、字母、下划线或点。

Answer 1

正则表达式默认匹配greedy。

尝试这个正则表达式：

^http://www\.example\.com/([a-zA-Z0-9\.]+?)(_[a-z]+)?(\(\d+\))?(\.html)?$

注意添加了额外的

?

，以不捕获第一部分中的

.html

。它使第一组捕获尽可能少地匹配，而不是尽可能多地匹配。如果没有

?

，

.html

将包含在第一组中，因为其他组是可选的，贪婪匹配会尝试尽可能“早”地匹配。

附注另请注意，我使用

^

和

$

锚定正则表达式以始终匹配整行。

Answer 2

您可以将 .html 扩展名指定为非捕获组：

http://www\.example\.com/([a-zA-Z0-9\.]+)(_[a-z]+)?(\(\d+\))?(?=(\.html)?)

Answer 3

在我看来，您并不关心文件扩展名。您只想提取文件名。

试试这个：

http://www\.example\.com/([\w]+.[\w]+.[\w()]+)

在 PHP 中，我使用了 preg_match_all($regex, $str, $matches)，它返回了类似这样的内容。

Array
(
    [0] => Array
        (
            [0] => http://www.example.com/some.file.name
            [1] => http://www.example.com/some.file.name_foo
            [2] => http://www.example.com/some.file.name(123)
            [3] => http://www.example.com/some.file.name_foo(123)
            [4] => http://www.example.com/some.file.name
            [5] => http://www.example.com/some.file.name_foo
            [6] => http://www.example.com/some.file.name(123)
            [7] => http://www.example.com/some.file.name_foo(123)
        )

    [1] => Array
        (
            [0] => some.file.name
            [1] => some.file.name_foo
            [2] => some.file.name(123)
            [3] => some.file.name_foo(123)
            [4] => some.file.name
            [5] => some.file.name_foo
            [6] => some.file.name(123)
            [7] => some.file.name_foo(123)
        )

)

希望有帮助！

Answer 4

更通用的匹配，其中文件名及其扩展名可以是 anything:

^(.+?)(\.[a-zA-Z0-9_]*)?$

此非贪婪匹配至少一个字符，然后在名称末尾之前找到一个句点 (

.

) 和零个或多个字母、数字或下划线（即扩展名中允许的任何字符）。

使用所有可能的文件名/扩展名情况测试输入：

name.txt
name.tar.gz
.hidden
period.
plain name

第一个匹配子串的输出：

name
name.tar
.hidden
period
plain name

然而，“.hidden”文件是否是扩展名是值得怀疑的。如果您想将其视为名称

如果您想在扩展名中允许任何字符（当然，句点和空格除外），请改用：

^(.+?)(\.[^ .]*)?$