时间戳

首页 > 解决方案 > 忽略包含某些文本的行的一部分

python - 忽略包含某些文本的行的一部分

问题描述

我有一个看起来像这样的字符串：

https:\\somegif.some\some-random-gif.gif *textinbetween?!@* abc-abc-abc
def-def-def
a something: 123-456-789-101

我需要获取与此 RegEx 匹配的所有字符串([\w]+(\s*-\s*[\w]+){2,3})。

这是我用来获取这些字符串的代码： 

import re

test_str = ("https:\\\\somegif.some\\some-random-gif.gif *textinbetween?!@* abc-abc-abc\n"
            "def-def-def\n"
            "a something: 123-456-789-101\n")
regex = r"([\w]+(\s*-\s*[\w]+){2,3})"

matches = re.finditer(regex, test_str, re.MULTILINE)

for match in matches:
    match = match.group()
    match = match.replace(" ", "")
    print(match)

这将输出：

some-random-gif
abc-abc-abc
def-def-def
123-456-789-101

我不需要some-random-gif。我该如何过滤它。
我可以使用这样的东西：

nohttp = str()
for line in test_str.split('\n'):
    if 'http' not in line:
        nohttp += line + '\n'

但它也会删除abc-abc-abc.

标签： pythonregex

解决方案

在我看来，当您的正则表达式匹配时，您正试图忽略 url 及其内容 - 这是有道理的，因为 url 可能具有与您的模式匹配的结构。

一种可能的解决方案是在搜索之前使用正则表达式从字符串中删除 url；鉴于 url 的结尾和要匹配的文本的开头之间似乎有空格，您可以匹配从字符串开头开始的非空格字符，检查以确保它们以“http”开头或“https”。

import re

instring = ("https:\\\\somegif.some\\some-random-gif.gif *textinbetween?!@* abc-abc-abc\n"
            "def-def-def\n"
            "a something: 123-456-789-101\n")

newstring = re.sub('^https?:\S*','',instring)

regex = r"([\w]+(\s*-\s*[\w]+){2,3})"

matches = re.finditer(regex, newstring, re.MULTILINE)

for match in matches:
    match = match.group()
    match = match.replace(" ", "")
    print(match)

演示

如果 URL 始终出现在您的测试字符串中并且始终是第一个“单词”，您可以简单地使用^\S*。

推荐阅读