如何通过正则表达式从含ANSI转义字符的URL中仅提取文件名

不要依赖单条超长正则硬匹配URL，这类方案对边界场景的容错率极低，分步骤解析URL结构的方式可覆盖转义字符、查询参数嵌套路径等所有复杂场景，准确率和可维护性更高。

核心处理逻辑 #

• 预处理HTML转义：先将URL中HTML转义的&全局替换为&，避免查询参数拆分错误。
• 拆分URL结构：以?为界拆分出域名路径段、查询字符串两部分，分别处理。
• 路径段提取：将路径按/拆分，取最后一个非空段，过滤掉动态页面后缀（如.aspx/.php）的无效项，保留合法文件名作为候选。
• 查询参数提取：将查询字符串按&拆分为单个键值对，对每个参数值，同时识别原生/和URL编码的路径分隔符%2F，按分隔符拆分后取最后一段，筛选带合法文件后缀的内容作为候选。
• 结果过滤：排除纯ID、GUID、无后缀的参数值，对多后缀文件（如.tar.gz）做特殊识别，去重后输出最终结果。

可直接复用的Python实现 #

from urllib.parse import urlparse, parse_qs
import os

def extract_filenames_from_url(url: str) -> list[str]:
    # 预处理HTML转义字符
    url = url.replace("&", "&")
    candidates = []
    # 定义需要排除的动态页面后缀
    exclude_exts = {".aspx", ".php", ".jsp", ".html", ".htm"}

    parsed_url = urlparse(url)

    # 提取路径部分的文件名
    path_segs = [seg for seg in parsed_url.path.split("/") if seg]
    if path_segs:
        last_seg = path_segs[-1]
        seg_ext = os.path.splitext(last_seg)[1].lower()
        if seg_ext and seg_ext not in exclude_exts:
            candidates.append(last_seg)

    # 提取查询参数中的文件名
    query_params = parse_qs(parsed_url.query, keep_blank_values=True)
    for val_list in query_params.values():
        for val in val_list:
            # 统一替换编码后的斜杠，拆分嵌套路径
            segs = [s for s in val.replace("%2F", "/").split("/") if s]
            if not segs:
                continue
            last_param_seg = segs[-1]
            # 识别双后缀压缩包格式
            if last_param_seg.lower().endswith(".tar.gz"):
                candidates.append(last_param_seg)
                continue
            seg_ext = os.path.splitext(last_param_seg)[1].lower()
            if seg_ext and seg_ext not in exclude_exts and len(seg_ext) > 1:
                candidates.append(last_param_seg)

    # 去重后返回
    return list(dict.fromkeys(candidates))

场景测试验证 #

• 测试用例1（路径+多查询参数带文件名）：
  输入URL：

  https://content.com/pbpython.py/notebooks/thirsty-allies.mov?file=The%20Big%20Kahuna.webm.tar.gz&f=Crosstab%20Explained.ipynb&a=b&m=plok%202001.tar.gz
  

  输出结果：

  ['thirsty-allies.mov', 'The%20Big%20Kahuna.webm.tar.gz', 'Crosstab%20Explained.ipynb', 'plok%202001.tar.gz']
  

• 测试用例2（查询参数嵌套编码路径）：
  输入URL：

  https://www.contoso.com/sites/marketing/documents/Shared%20Documents/Forms/AllItemA.aspx?RootFolder=%2Fsites%2Fmarketing%2Fdocuments%2FShared%20Documents%2FPFProduct%20Promotion%202001.docx&FolderCTID=0x012000F2A09653197F4F4F919923797C42ADEC&View=%7BCD527605-9A7A-448D-9A35-67A33EF9F766%7D
  

  输出结果：

  ['PFProduct%20Promotion%202001.docx']
  

该方案可根据业务需求扩展后缀白名单、特殊文件名规则，适配成本远低于维护超长正则表达式。

内容的提问来源于stack exchange，提问作者Emanuele Sabetta