regex 用于清理http/https的正则表达式代码出现问题

jbose2ul 于 2023-03-20 发布在其他

关注(0)|答案(2)|浏览(121)

我试过许多代码来删除推文中的链接，但似乎都不起作用。
原始链接示例：网址：t.co/WfWWOukD9l/
之后的显示方式：上一页
整个功能：

def cleantext(text):
    text = re.sub(r'@[A-Za-z0-9]+', '', text) 
    text = re.sub(r'[^0-9A-Za-z \t]+', '', text)
    text = re.sub(r'#', '', text)
    text = re.sub(r'RT[\s]+', '', text)
    text = re.sub(r'https?://\S+', '', text)
    text = re.sub(r'(<a href[\s\S]*?>[\s\S]*?)|(\b(http|https):\/\/.*[^ alt]\b)', '', text)
    text = re.sub(r'http[s]?:\/\/\S+', '', text)
    text = text.lower() 

    return text

除了链接，文本中的其他内容都被清除了。使用Python 3.10.9 Regex 2022.10.31
我使用的代码：

text = re.sub(r'https?://\S+', '', text)
    text = re.sub(r'(<a href[\s\S]*?>[\s\S]*?)|(\b(http|https):\/\/.*[^ alt]\b)', '', text)
    text = re.sub(r'http[s]?:\/\/\S+', '', text)

regex

来源：https://stackoverflow.com/questions/75736650/problem-with-regex-code-to-clean-http-https

2条答案

按热度按时间

cwxwcias1#

问题是你在替换链接之前替换了各种特殊字符。当你到达链接替换时，你的字符串不包含:或/，所以http[s]?:\/\/\S+不能匹配。把它移到函数的开头，这样链接在你尝试匹配之前是完整的。
此外，根据您的需要（由于示例不好，我看不到），\S+可能匹配或不匹配的内容超过您的需要，如果是这样，您必须将其更改为更具限制性的内容，如[^\s()]+。
最后，需要注意的是，[s]?等效于s?-这里的括号是不必要的。