使用Regex拆分标题与URL配对及Python正则全匹配问题求助

问题根源 #

你之前用的正则\w*\s\w*\s\w*://\w*.\w*/\w*\s有两个核心缺陷：

• \w*只能匹配字母、数字和下划线，完全覆盖不了书名里的连字符、标点等特殊字符，而且固定了单词数量，没法适配长短不一的书名。
• 只返回第一个匹配结果是因为你用了re.match()或re.search()，这两个方法只会找第一个符合条件的内容，要拿全量结果得用专门的方法。

正确的正则写法 #

用这个正则可以匹配任意包含特殊字符的书名，以及对应的http/https开头的URL：

pattern = r'(.+?)(https?://\S+)'

• (.+?)：非贪婪模式匹配书名，会把URL之前的所有内容（包括空格、连字符、标点）都捕获为第一组，直到遇到http或https开头的URL。
• (https?://\S+)：匹配http/https开头的完整URL，\S+会匹配所有非空白字符，直到遇到空格（也就是下一组内容的开始）。

Python代码实现 #

直接用re.findall()就能获取所有匹配的分组对，然后循环输出每行一组：

import re

# 替换成你的连续字符串输入
input_text = "Python编程入门-从新手到高手 https://example.com/book1 数据结构与算法分析 https://example.com/book2 机器学习实战：基于Scikit-Learn和TensorFlow https://example.com/book3"

pattern = r'(.+?)(https?://\S+)'
matches = re.findall(pattern, input_text)

# 遍历结果，每行输出一组标题和URL
for title, url in matches:
    # 去除标题末尾可能多余的空格
    print(f"{title.strip()} {url}")

如果需要导入Word，直接复制打印的结果粘贴即可，也可以把结果整理成字符串后写入.docx文件。

补充说明 #

如果你的字符串末尾没有空格，正则依然能正常匹配，因为\S+会匹配到字符串结尾。要是遇到URL里包含?、#这类特殊字符，这个正则也能兼容，因为\S包含除空白外的所有字符。

内容的提问来源于stack exchange，提问作者Matan