正则URL白名单规则问题：同行违规URL未拦截及域名连写误判

问题分析 #

你当前的正则存在两个核心问题：

• 同行的白名单URL会干扰违规URL的匹配，导致后者无法被拦截
• 连写域名（如www.badurl.comexample.com）会被整体匹配拦截，无法保留白名单的example.com部分

修改方案 #

直接调整正则表达式，修正匹配逻辑，同时修复原代码中HTML实体转义的错误（把&改为&，否则无法匹配含&的URL）。修改后的代码如下：

import re

def link_remover(message):
    # 匹配所有非白名单URL，排除example.com及其子域名、带路径的合法链接
    pattern = r'\b(?!(?:https?://)?(?:www\.)?example\.com(?:/.*)?\b)(?:https?://)?(?:www\.)?[-a-zA-Z0-9@:%_+.~#?&/=]{2,256}\.[a-z]{2,24}\b(?:/[-a-zA-Z0-9@:%_+.~#?&/=]*)*'
    message = re.sub(pattern, "[URL Removed]", message)
    return message

关键改进点 #

1. 解决同行URL拦截问题：
   添加了正向负预查(?!(?:https?://)?(?:www\.)?example\.com(?:/.*)?\b)，精准排除所有example.com相关的白名单链接（包括带http/https前缀、www前缀、带路径的情况），确保同行的违规URL能被正常匹配替换。

2. 解决连写域名问题：
   通过\b单词边界和域名匹配规则，正则会优先匹配到违规域名的合法结尾（如.com），后续的example.com会被识别为独立的白名单链接，从而只替换违规部分，保留example.com。

测试验证 #

• 输入：Check http://www.example.com and www.badurl.com
  输出：Check http://www.example.com and [URL Removed]
• 输入：www.badurl.comexample.com
  输出：[URL Removed]example.com

内容的提问来源于stack exchange，提问作者AlphaDjango