如何使用Python正则表达式从字符串提取路径、文件名并排除特定内容

实现方案 #

1. 正则规则编写 #

针对你需要提取的两类内容，对应匹配规则如下：

• 匹配/wp-content/开头的目录路径：r'\/wp-content\/uploads\/\d{4}\/\d{2}\/'
  规则说明：匹配固定前缀/wp-content/uploads/加4位年份、2位月份、末尾带斜杠的路径结构。如果你的目录不是固定的年/月两级，可替换为r'\/wp-content\/uploads(?:\/[^\/]+)*\/'适配任意层级的uploads子目录。
• 匹配符合要求的图片文件名：r'[\w\-.]+\.(?:jpg|jpeg|png|gif|webp)'
  规则说明：匹配由字母、数字、横线、下划线、点组成，后缀为常见图片格式的文件名，可根据实际需求自行补充后缀类型。
  如果需要直接从完整http/https链接中提取两类内容、自动排除域名部分，可使用带捕获组的合并正则：
  r'https?:\/\/[^\/]+(\/wp-content\/uploads\/\d{4}\/\d{2}\/)?([\w\-.]+\.(?:jpg|jpeg|png|gif|webp))?'
  两个捕获组分别对应目录路径、图片文件名，无匹配对应内容时分组结果为None。

2. Python 调用示例 #

import re

# 替换为你的目标字符串
test_str = """
https://example.com/wp-content/uploads/2021/09/VideoHive-Happy-Kids-Slideshow-Premiere-Pro-MOGRT-Free-Download-GetintoPC.com_-300x169.jpg
/wp-content/uploads/2023/05/test-image.png
其他无关文本内容
"""

# 提取所有目录路径
dir_pattern = re.compile(r'\/wp-content\/uploads\/\d{4}\/\d{2}\/')
extracted_dirs = dir_pattern.findall(test_str)
print("提取到的目录路径：", extracted_dirs)

# 提取所有图片文件名
img_pattern = re.compile(r'[\w\-.]+\.(?:jpg|jpeg|png|gif|webp)')
extracted_imgs = img_pattern.findall(test_str)
print("提取到的图片文件名：", extracted_imgs)

# 从完整URL中同时提取路径和文件名
combined_pattern = re.compile(r'https?:\/\/[^\/]+(\/wp-content\/uploads\/\d{4}\/\d{2}\/)?([\w\-.]+\.(?:jpg|jpeg|png|gif|webp))?')
for match in combined_pattern.finditer(test_str):
    dir_path = match.group(1)
    img_name = match.group(2)
    if dir_path:
        print("匹配到的目录：", dir_path)
    if img_name:
        print("匹配到的文件名：", img_name)

运行输出示例 #

提取到的目录路径： ['/wp-content/uploads/2021/09/', '/wp-content/uploads/2023/05/']
提取到的图片文件名： ['VideoHive-Happy-Kids-Slideshow-Premiere-Pro-MOGRT-Free-Download-GetintoPC.com_-300x169.jpg', 'test-image.png']
匹配到的目录： /wp-content/uploads/2021/09/
匹配到的文件名： VideoHive-Happy-Kids-Slideshow-Premiere-Pro-MOGRT-Free-Download-GetintoPC.com_-300x169.jpg

内容的提问来源于stack exchange，提问作者faisal rhm