正则表达式提取链接时排除重复www的问题

我来帮你搞定这个匹配错误的问题！你的正则之所以会抽出两个链接，核心原因是允许独立的www.作为匹配起始点，而目标字符串里的my-sound-www.sample.com部分刚好触发了这个规则——正则把末尾的www.sample.com当成了新的独立链接，但实际上它只是第一个URL路径的一部分。

原正则的问题点 #

你的正则起始分支((https?:www\.)|(https?:\/\/)|(www\.))中，www\.是完全独立的选项，没有限制它必须出现在链接的起始位置（比如字符串开头或空白之后），所以只要文本里出现www.就会被匹配，哪怕它在一个完整URL的中间。

修正后的正则方案 #

我们可以通过负向断言限制www.的出现场景，同时优先匹配带协议的完整URL，确保只提取真正独立的链接：

r"(https?:\/\/|(?<!\S)www\.)[-a-zA-Z0-9@:%._\+~#=]{1,256}\.[a-zA-Z0-9]{1,6}(\/[-a-zA-Z0-9()@:%_\+.~#?&\/=]*)?"

修正逻辑说明 #

• (?<!\S)：这是负向回顾后发断言，意思是www.前面不能有非空白字符——也就是说，www.必须是一个链接的起点（要么在字符串开头，要么前面是空格），不会匹配到URL路径中间的-www.sample.com这种情况。
• https?:\/\/：保留对带HTTP/HTTPS协议的URL的匹配，这部分会优先匹配完整的带协议链接，避免被截断。
• 后续的域名、路径规则保持不变，确保能覆盖常规的URL结构。

测试验证 #

用你的目标字符串测试修正后的正则：

hello world https://www.sample.com/voices/2020/my-sound-www.sample.com

只会提取到正确的完整链接：https://www.sample.com/voices/2020/my-sound-www.sample.com，不会再误匹配末尾的www.sample.com。

如果需要支持更复杂的URL场景（比如包含特殊字符的域名、多段顶级域名），可以进一步调整正则中的域名匹配部分，但这个修正已经解决了你当前的核心问题。

内容的提问来源于stack exchange，提问作者DolDurma