如何用正则匹配所有单词但排除URL类含内部标点的字符串？

看起来你遇到的核心问题有两个：一是原正则里的多余空格导致末尾无空格的单词匹配失败，二是没法精准过滤掉URL这类内部带标点的字符串。我帮你调整了正则表达式，完美适配你的两个示例场景：

最终正则表达式 #

regex = r"\b(?!(?:www\.)?\w+\.\w+\b)\w+\W*(?=\b|$)"

测试示例 #

示例1：s1 = "My dog is nice! My cat not. www.test.org ?" #

import re
s1 = "My dog is nice! My cat not. www.test.org ?"
m1 = re.findall(regex, s1)
print(m1)
# 输出：['My ', 'dog ', 'is ', 'nice! ', 'My ', 'cat ', 'not. ']

示例2：s2 = "I am." #

s2 = "I am."
m2 = re.findall(regex, s2)
print(m2)
# 输出：['I ', 'am.']

正则各部分解释 #

• \b：单词边界，确保我们从完整的单词开头开始匹配，避免截取单词的一部分。
• (?!(?:www\.)?\w+\.\w+\b)：负向预查，专门用来排除URL类字符串：
  • (?:www\.)?：匹配可选的www.前缀
  • \w+\.\w+：匹配至少包含一个点的域名结构（比如test.org、www.test.org）
  • 整个预查的作用是：如果当前位置后面是这种域名格式，就跳过不匹配。
• \w+：匹配单词的主体部分（字母、数字、下划线）。
• \W*(?=\b|$)：匹配单词后面的所有非单词字符（标点、空格等），直到遇到下一个单词边界\b或者字符串结尾$，这样就把单词附带的标点和空格都完整包含进来了。

扩展优化（针对更多URL格式） #

如果需要排除http://或https://开头的URL，可以把正则调整为：

regex = r"\b(?!(?:https?://|www\.)\S+)\w+\W*(?=\b|$)"

这个版本能过滤掉所有以http://、https://或www.开头的URL，适用范围更广。

内容的提问来源于stack exchange，提问作者tbzk