如何用正则表达式从JSON文件提取指定格式的URL

你的现有正则仅匹配api.example.com开头的URL，但未限定目标文件格式，且字符集存在冗余（比如不必要的&转义，JSON中实际是&）。以下是优化方案：

优化后的正则表达式 #

/(api\.example\.com)([\w\-.,@?^=%&:/~+#]*)\.(mp3|mp4|jpg|png)/i

正则说明 #

• api\.example\.com：精确匹配目标域名，转义.避免匹配任意字符
• ([\w\-.,@?^=%&:/~+#]*)：匹配URL的路径、查询参数部分，包含所有合法的URL字符，移除了冗余转义
• \.(mp3|mp4|jpg|png)：枚举目标文件后缀，i修饰符忽略大小写，支持匹配JPG、PNG这类大写格式

实际使用示例（Python） #

先解析JSON再提取URL，比直接正则匹配JSON字符串更可靠（避免误匹配键名或非URL内容）：

import re
import json

# 示例JSON内容
json_data = json.loads('''
{
  "audio": "https://api.example.com/files/summer_song.mp3",
  "video": "https://api.example.com/videos/trailer.mp4?hd=1",
  "profile_img": "https://api.example.com/pics/user_avatar.JPG",
  "logo": "https://api.example.com/assets/brand_logo.png",
  "ignore": "https://api.example.com/docs/readme.txt"
}
''')

# 定义正则
pattern = r'(api\.example\.com)([\w\-.,@?^=%&:/~+#]*)\.(mp3|mp4|jpg|png)'
matched_urls = []

# 遍历JSON所有值，提取符合条件的URL
for value in json_data.values():
    if isinstance(value, str):
        match = re.search(pattern, value, re.IGNORECASE)
        if match:
            # 拼接完整URL（若原URL包含协议）
            full_url = f'https://{match.group(1)}{match.group(2)}.{match.group(3)}'
            matched_urls.append(full_url)

print(matched_urls)

注意事项 #

1. 若JSON中的URL存在转义斜杠（比如https:\\/\\/api.example.com...），需调整正则为：

   /(api\\.example\\.com)([\\w\\-.,@?^=%&:\\/~+#]*)\\.(mp3|mp4|jpg|png)/i
   

2. 如需支持更多格式，直接在后缀分组中添加即可，比如(mp3|mp4|jpg|png|gif|webm)
3. 优先使用JSON解析库遍历值，再用正则匹配字符串，这比直接正则扫描整个JSON字符串的准确率更高

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