Как извлечь URL-адрес из строки с помощью python?

Ответ 1

Существует несколько способов сделать это, но самым чистым будет использование regex

>>> myString = "This is a link http://www.google.com"
>>> print re.search("(?P<url>https?://[^\s]+)", myString).group("url")
http://www.google.com

Если может быть несколько ссылок, вы можете использовать что-то похожее ниже

>>> myString = "These are the links http://www.google.com  and http://stackoverflow.com/questions/839994/extracting-a-url-in-python"
>>> print re.findall(r'(https?://[^\s]+)', myString)
['http://www.google.com', 'http://stackoverflow.com/questions/839994/extracting-a-url-in-python']
>>> 

Ответ 2

Чтобы найти веб-URL в общей строке, вы можете использовать регулярное выражение (regex).

Простое регулярное выражение для сопоставления URL-адресов, как показано ниже, должно соответствовать вашему случаю.

    regex = r'('

    # Scheme (HTTP, HTTPS, FTP and SFTP):
    regex += r'(?:(https?|s?ftp):\/\/)?'

    # www:
    regex += r'(?:www\.)?'

    regex += r'('

    # Host and domain (including ccSLD):
    regex += r'(?:(?:[A-Z0-9][A-Z0-9-]{0,61}[A-Z0-9]\.)+)'

    # TLD:
    regex += r'([A-Z]{2,6})'

    # IP Address:
    regex += r'|(?:\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})'

    regex += r')'

    # Port:
    regex += r'(?::(\d{1,5}))?'

    # Query path:
    regex += r'(?:(\/\S+)*)'

    regex += r')'

Если вы хотите быть более точным, в разделе TLD вы должны убедиться, что TLD является действительным TLD (см. полный список действительных TLD здесь: https://data.iana.org/TLD/tlds-alpha-by-domain.txt):

    # TLD:
    regex += r'(com|net|org|eu|...)'

Затем вы можете просто скомпилировать прежнее регулярное выражение и использовать его для поиска возможных совпадений:

    import re

    string = "This is a link http://www.google.com"

    find_urls_in_string = re.compile(regex, re.IGNORECASE)
    url = find_urls_in_string.search(string)

    if url is not None and url.group(0) is not None:
        print("URL parts: " + str(url.groups()))
        print("URL" + url.group(0).strip())

Что в случае строки "Это ссылка http://www.google.com" выведет:

    URL parts: ('http://www.google.com', 'http', 'google.com', 'com', None, None)
    URL: http://www.google.com

Если вы измените ввод с более сложным URL-адресом, например "Это также URL https://www.host.domain.com:80/path/page.php?query=value&a2=v2#foo, но это уже не" выход будет:

    URL parts: ('https://www.host.domain.com:80/path/page.php?query=value&a2=v2#foo', 'https', 'host.domain.com', 'com', '80', '/path/page.php?query=value&a2=v2#foo')
    URL: https://www.host.domain.com:80/path/page.php?query=value&a2=v2#foo

ПРИМЕЧАНИЕ.. Если вы ищете больше URL-адресов в одной строке, вы все равно можете использовать одно и то же регулярное выражение, но просто используйте findall() вместо search().

Ответ 3

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 поддерживать вас в курсе событий. Но если программа не имеет доступа в Интернет, то это не для вас.