Разделение строки в Python на основе шаблона регулярных выражений - PullRequest
Новая
       6

Разделение строки в Python на основе шаблона регулярных выражений

0 голосов
/ 11 ноября 2018

У меня есть байт объект, который содержит URL: 

> body.decode("utf-8") 
> 'https://www.wired.com/story/car-news-roundup-tesla-model-3-sales/\r\n\r\nhttps://cleantechnica.com/2018/11/11/can-you-still-get-the-7500-tax-credit-on-a-tesla-model-3-maybe-its-complicated/\r\n'

Мне нужно разбить его на список с каждым URL-адресом в качестве отдельного элемента: 

import re
pattern = '^(http:\/\/www\.|https:\/\/www\.|http:\/\/|https:\/\/)?[a-z0-9]+([\-\.]{1}[a-z0-9]+)*\.[a-z]{2,5}(:[0-9]{1,5})?(\/.*)?$'

urls = re.compile(pattern).split(body.decode("utf-8"))

Я получаю список из одного элемента со всеми URL, вставленными вместе: 

['https://www.wired.com/story/car-news-roundup-tesla-model-3-sales/\r\n\r\nhttps://cleantechnica.com/2018/11/11/can-you-still-get-the-7500-tax-credit-on-a-tesla-model-3-maybe-its-complicated/\r\n']

Как мне разделить каждый URL на отдельный элемент?

1 Ответ

0 голосов
/ 11 ноября 2018

Попробуйте разделить его на \s+

Попробуйте этот пример кода Python, 

import re
s = 'https://www.wired.com/story/car-news-roundup-tesla-model-3-sales/\r\n\r\nhttps://cleantechnica.com/2018/11/11/can-you-still-get-the-7500-tax-credit-on-a-tesla-model-3-maybe-its-complicated/\r\n'
urls = re.compile('\s+').split(s)
print(urls)

Это выходы, 

['https://www.wired.com/story/car-news-roundup-tesla-model-3-sales/', 'https://cleantechnica.com/2018/11/11/can-you-still-get-the-7500-tax-credit-on-a-tesla-model-3-maybe-its-complicated/', '']

Этот результат выглядит нормально? Или мы можем работать над этим и делать, как вы пожелаете.

Если вам не нужна пустая строка ('') в вашем списке результатов (из-за \ r \ n в конце), вы можете использовать find all, чтобы найти все URL в вашей строке. Пример кода Python для же следующий: 

import re
s = 'https://www.wired.com/story/car-news-roundup-tesla-model-3-sales/\r\n\r\nhttps://cleantechnica.com/2018/11/11/can-you-still-get-the-7500-tax-credit-on-a-tesla-model-3-maybe-its-complicated/\r\n'
urls = re.findall('http.*?(?=\s+)', s)
print(urls)

Это дает следующий вывод, 

['https://www.wired.com/story/car-news-roundup-tesla-model-3-sales/', 'https://cleantechnica.com/2018/11/11/can-you-still-get-the-7500-tax-credit-on-a-tesla-model-3-maybe-its-complicated/']
...