Python正则匹配含/不含mydomainname.com的URL

正则表达式 #

r'(https?://[^"\s]*mydomainname\.com[^"\s]*|/[^"\s]+)'

代码示例 #

import re

# 示例HTML内容
html_content = """
<a href="https://mydomainname.com/page1.html">Link 1</a>
<img src="/pathout_themes/pathology_outlines/images/logo_for_social.jpg" alt="Logo">
<a href="https://www.mydomainname.com/path/subpage?param=val">Link 2</a>
<script src="/js/main.js"></script>
"""

# 编译正则并匹配
pattern = re.compile(r'(https?://[^"\s]*mydomainname\.com[^"\s]*|/[^"\s]+)')
matches = pattern.findall(html_content)

# 输出匹配结果
for match in matches:
    print(match)

表达式拆解说明 #

• https?://[^"\s]*mydomainname\.com[^"\s]*：负责匹配带mydomainname.com的绝对URL
  • https?://：兼容http/https两种协议开头
  • [^"\s]*：匹配任意非引号、非空格的字符，避免捕获超出HTML属性范围的内容
  • mydomainname\.com：转义.确保匹配实际域名，防止.被当作通配符
• /[^"\s]+：负责匹配根路径开头的相对URL
  • /：锁定根路径起始的相对路径格式
  • [^"\s]+：捕获所有非引号、非空格的路径字符，保证完整获取路径
• |：逻辑或，同时兼容两种URL类型的匹配

注意点 #

• 该正则默认URL处于HTML属性的引号包裹场景（如src="..."或href="..."），如果URL存在其他上下文，可调整[^"\s]部分的限制规则
• 支持匹配包含&、=等特殊字符的URL，因为[^"\s]包含除引号、空格外的所有合法URL字符

内容的提问来源于stack exchange，提问作者YoYoYo