使用正则匹配亚马逊URL时部分场景匹配失败问题咨询

原正则存在的问题 #

原正则匹配失败主要有4个核心原因：

1. 字符范围笔误：[a-zA-z0-9]中A-z的范围包含了[、\、]、^、_、`等非字母数字的ASCII符号，匹配范围不符合预期。
2. 核心字段匹配逻辑错误：dp后的ASIN是亚马逊商品固定的10位大写字母+数字组合，原正则用{0,}不限长度，遇到末尾斜杠、查询参数时会出现回溯匹配失败的问题。
3. 路径兼容逻辑缺失：([A-Za-z0-9-_]{0,}\/?)的写法没有正确处理「商品名路径段可选」的场景，短链直接从/dp/开始时会出现匹配偏移。
4. 后缀处理不符合需求：末尾仅写(\/?)(\??)只能匹配最多1个斜杠+1个问号，无法覆盖斜杠后接查询参数、多段路径的场景，也没有实现「命中核心规则后忽略后续所有内容」的要求。
   另外原正则没有转义域名中的.，.在正则中代表任意字符，存在误匹配非亚马逊域名的风险。

修正后的正则 #

/^https:\/\/www\.amazon\.in\/(?:[\w-]+\/)*dp\/([A-Z0-9]{10})(?:\/?.*)?$/gm

规则说明 #

• ^https:\/\/www\.amazon\.in\/：严格匹配URL开头的域名部分，对.做转义避免误匹配。
• (?:[\w-]+\/)*：非捕获组匹配0个或多个商品名路径段，同时兼容带商品名的长路径、直接跳转/dp/的短路径两种格式。
• dp\/([A-Z0-9]{10})：匹配核心规则段/dp/+10位ASIN，单独加捕获组可直接提取商品ASIN值。
• (?:\/?.*)?$：非捕获组匹配ASIN后的所有内容，包括末尾斜杠、查询参数、多余路径片段，命中核心规则后自动忽略后续所有字符串，完全匹配需求。

匹配效果 #

给出的5条测试URL可全部命中：

• 长路径无后缀URL：匹配成功，提取ASIN B09YV4RG4D
• 长路径末尾带斜杠URL：匹配成功，自动忽略末尾斜杠
• 长路径带查询参数URL：匹配成功，自动忽略?后的所有参数
• 短路径带查询参数URL：匹配成功，兼容无商品名路径段的短链格式
• 短路径无后缀URL：匹配成功，提取ASIN B087FXHB6J

内容的提问来源于stack exchange，提问作者Jitan Gupta