PostgreSQL如何仅提取文本列中的主机名与路径名？

可以用这个正则表达式来匹配你需要的URL部分：

\(?https?://[\w./-]+?\.js(?=:|\)|$)

正则各部分说明： #

• \(?：匹配URL前可能存在的左括号（有的行里URL被括号包裹，有的没有）
• https?://：匹配http://或https://，s?表示s是可选的
• [\w./-]+?\.js：匹配主机名、路径和.js文件名，[\w./-]包含字母、数字、下划线、点、斜杠、连字符；+?是非贪婪匹配，避免过度匹配到后面的行号内容
• (?=:|\)|$)：正向预查，确保匹配到的.js后面紧跟的是冒号（行号开头）、右括号或者字符串结尾，精准截止到.js位置

使用示例（Python）： #

如果是用Python处理这些文本，可以结合正则提取并去重：

import re

# 你的原始文本列表
raw_lines = [
    "    text2 (https://example.foo.com/url/path/site.js:1:44541)",
    "    text2  (https://example.foo.com/url/path/site.js:1:44541)",
    "    text2  https://example.foo.com/url/path/site.js:1:44541:1:25413)",
    "    text2  (https://exampel2.fooo.io/unique/bundle.js:2:172704)",
    "    text2  (ttps://exampel2.fooo.io/unique/bundle.js:2:173513)",
    "    text2  https://exampel2.fooo.io/unique/bundle.js:2:171673",
    "    text3 (https://exampel2.fooo.io/unique/bundle.js:2:171651)"
]

# 正则模式
pattern = r"\(?https?://[\w./-]+?\.js(?=:|\)|$)"
unique_urls = set()

for line in raw_lines:
    matches = re.findall(pattern, line)
    for match in matches:
        # 移除可能的开头左括号
        clean_url = match.lstrip('(')
        unique_urls.add(clean_url)

# 输出结果
for url in sorted(unique_urls):
    print(url)

运行后会输出：

https://example.foo.com/url/path/site.js
https://exampel2.fooo.io/unique/bundle.js

注意事项： #

• 对于示例中出现的ttps://（缺少h）的错误URL，上述正则不会匹配它。如果需要兼容这种笔误，可以将正则开头改为h?ttps?://，但根据你的目标结果，这部分应该是输入笔误，所以默认忽略。
• 如果是在数据库中处理（比如PostgreSQL的regexp_match函数），可以调整用法，核心正则逻辑一致。

内容的提问来源于stack exchange，提问作者Gerg