Python如何使用正则从文本中提取指定位置的cutt.ly短链接

问题背景 #

需求为从给定的JSON格式文本中提取目标cutt.ly短链接https://cutt.ly/XJDV1G8。此前使用正则匹配未成功，初始编写的代码仅能匹配双引号包裹的零散内容，无法定位到目标区域，原错误测试代码如下：

import re

text = '{"url":{"status":7,"fullLink":"https:\/\/twitter.com\/furkan_alkaya_","date":"2022-06-08","shortLink":"https:\/\/cutt.ly\/XJDV1G8","title":"Furkan Alkaya (@furkan_alkaya_) | Twitter"}}'

x = re.search(r"\b""\w+",text)

print(x.group())

原正则存在明显逻辑缺陷：

• 拼接双引号的写法仅能匹配单词边界后紧跟双引号、再接连续字母/数字/下划线的内容，完全无法覆盖URL包含的冒号、斜杠、点号等特殊字符
• 未适配原文本中URL斜杠前的转义反斜杠
• 没有定位目标字段的逻辑，无法精准命中短链接位置

可行实现方案 #

方案1：JSON解析（稳定性最高） #

待处理文本本身是标准JSON结构，直接解析字段比正则匹配容错性更强，不会因为字段顺序、内容变动匹配失败：

import json

text = '{"url":{"status":7,"fullLink":"https:\/\/twitter.com\/furkan_alkaya_","date":"2022-06-08","shortLink":"https:\/\/cutt.ly\/XJDV1G8","title":"Furkan Alkaya (@furkan_alkaya_) | Twitter"}}'
# 加载JSON后直接取shortLink字段
data = json.loads(text)
target_link = data["url"]["shortLink"]
print(target_link)

运行输出：https://cutt.ly/XJDV1G8

方案2：定向正则匹配（适合必须使用正则的场景） #

不需要数双引号序号，直接匹配cutt.ly域名的链接即可，同时适配文本中的转义反斜杠：

import re

text = '{"url":{"status":7,"fullLink":"https:\/\/twitter.com\/furkan_alkaya_","date":"2022-06-08","shortLink":"https:\/\/cutt.ly\/XJDV1G8","title":"Furkan Alkaya (@furkan_alkaya_) | Twitter"}}'
res = re.search(r'https?:\\?/\\?/cutt\.ly\\?/[A-Za-z0-9]+', text)
if res:
    # 移除转义用的反斜杠得到真实链接
    target_link = res.group().replace("\\", "")
    print(target_link)

运行输出：https://cutt.ly/XJDV1G8

方案3：按双引号序号匹配（仅适配当前固定文本） #

如果一定要按照「提取第8处双引号包裹内容」的逻辑实现，可以先提取所有双引号包裹的内容，再按下标取值（注意Python列表下标从0开始，第8处对应下标7）：

import re

text = '{"url":{"status":7,"fullLink":"https:\/\/twitter.com\/furkan_alkaya_","date":"2022-06-08","shortLink":"https:\/\/cutt.ly\/XJDV1G8","title":"Furkan Alkaya (@furkan_alkaya_) | Twitter"}}'
all_quoted_seg = re.findall(r'"([^"]+)"', text)
if len(all_quoted_seg) >= 8:
    target_link = all_quoted_seg[7].replace("\\", "")
    print(target_link)

注意：该方案容错性极差，只要原文本的字段数量、顺序发生变动就会提取错误，非特殊场景不推荐使用。

内容的提问来源于stack exchange，提问作者Furkan Alkaya