Python正则表达式提取URL中指定斜杠间的字符串

正则表达式方案 #

针对你的需求，推荐使用锚定URL开头的正则表达式，避免匹配到域名等无关内容：

^https?://[^/]+/([^/]+)(?:/([^/]+))?

正则说明： #

• ^https?://：匹配URL开头的http://或https://，确保从URL起始位置开始匹配
• [^/]+：匹配域名部分（如www.happy.com），直到遇到第三个斜杠
• /：匹配第三个斜杠
• ([^/]+)：第一个捕获组，提取第3-4个斜杠之间的内容（如de、sr、en）
• (?:/([^/]+))?：可选的非捕获组，内部的/([^/]+)提取第4-5个斜杠之间的内容（如article、forum），?表示该部分可不存在（对应第二个URL的情况）

匹配结果示例： #

更可靠的URL解析方案 #

如果处理大量或复杂URL（带参数、锚点等），用编程语言自带的URL解析工具比正则更稳定，以下是两种常见语言的实现：

Python 示例 #

from urllib.parse import urlparse

urls = [
    "https://www.happy.com/de/article/98238811/poppers",
    "https://www.happy.com/sr",
    "https://www.happy.com/en/forum/ocean-liveliness"
]

for url in urls:
    parsed_url = urlparse(url)
    # 拆分路径片段，去掉开头的斜杠
    path_segments = parsed_url.path.lstrip('/').split('/')
    lang_segment = path_segments[0] if path_segments else None
    section_segment = path_segments[1] if len(path_segments) >= 2 else None
    print(f"区域片段: {lang_segment}, 板块片段: {section_segment}")

JavaScript 示例 #

const urls = [
    "https://www.happy.com/de/article/98238811/poppers",
    "https://www.happy.com/sr",
    "https://www.happy.com/en/forum/ocean-liveliness"
];

urls.forEach(url => {
    const urlObj = new URL(url);
    // 拆分路径片段，去掉开头的斜杠
    const pathSegments = urlObj.pathname.slice(1).split('/');
    const langSegment = pathSegments[0];
    const sectionSegment = pathSegments[1] || null;
    console.log(`区域片段: ${langSegment}, 板块片段: ${sectionSegment}`);
});

为什么你的正则不行？ #

你之前用的[/]*[^/]+[/]([^/]+)没有锚定URL开头，会匹配任意位置的斜杠组合，导致误抓到域名部分（如www.happy）。而锚定开头的正则会跳过协议和域名，直接定位到路径的前两段。

内容的提问来源于stack exchange，提问作者KristiLuna