Extract url from text

從文章內容中擷取網址 (又稱 統一資源定位符, Uniform Resource Locator) 或網域 (domain name)。

從文章內容，擷取完整網址

使用 Google sheet 擷取完整網址

• (optional) Step1: Extract URLs - Google Workspace Marketplace "The application extracts links and converts them to the HYPERLINK formula"
• (optional) Step2: Using the FORMULATEXT 函數 - Microsoft 支援服務
• Step3: 使用 Google 試算表正規表示法 (Regular expression) 的 REGEXEXTRACT 函數，從文章內容擷取第一個網址。

=REGEXEXTRACT(A1, "(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)")

詳細操作說明：如何從 Google 試算表，快速取出連結

使用 Google sheet 刪除文章內網址

Using REGEXREPLACE function

=REGEXREPLACE(A1, "(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)", "")

使用 Sublime Text 擷取完整網址

使用 Sublime Text 等支援 regular expression 的文字編輯器

• 選單 Find --> Replace
• 啟用 Regular expression
• Find What: .*(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+).* 此處輸入資料是一行只有一個網址。如果有多個網址，將會截取靠近行尾的網址。
• Replace with: \1

使用 Microsoft Excel 擷取完整網址

使用 Excel FIND, LEN 與 MID 等函數。資料限制：網址前後需要間隔空白或換行符號。以下公式從 B2 儲存格擷取完整網址：(公式修改自 guitarthrower 提供的公式)

=IF(ISERROR(MID(SUBSTITUTE(B2, "
", " "),FIND("http",SUBSTITUTE(B2, "
", " ")),IFERROR(FIND(" ",SUBSTITUTE(B2, "
", " "),FIND("http",SUBSTITUTE(B2, "
", " ")))-1,LEN(SUBSTITUTE(B2, "
", " ")))-FIND("http",SUBSTITUTE(B2, "
", " "))+1)), "", MID(SUBSTITUTE(B2, "
", " "),FIND("http",SUBSTITUTE(B2, "
", " ")),IFERROR(FIND(" ",SUBSTITUTE(B2, "
", " "),FIND("http",SUBSTITUTE(B2, "
", " ")))-1,LEN(SUBSTITUTE(B2, "
", " ")))-FIND("http",SUBSTITUTE(B2, "
", " "))+1))

測試資料

輸入資料: 不包含 HTML 語法的 a href 屬性標籤

Yahoo! 新聞 https://tw.news.yahoo.com/abc

輸出資料:

https://tw.news.yahoo.com/abc

說明:

1. 網址可能是 http:// 或 https:// 開頭，所以條件是 http[s]?://
2. 根據 RFC 3986 的 Section 2: Characters 網址允許的文字有 ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789-._~:/?#[]@!$&'()*+,;=，其他文字則需要加上比例符號 % 編碼。

從 HTML 文字，擷取完整網址

使用 Google sheet 擷取完整網址

1. Using EXTRACT URLs to extracts links and converts them to the HYPERLINK formula.
2. Using FORMULATEXT function - Google Docs Editors Help
3. Using REGEXEXTRACT function to extract the Url from above cell

=REGEXEXTRACT(A1, "(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)")

參考資料：

• Extract URL from pasted external text with link embedded - Google Docs Editors Community

從文章內容，擷取網址中的網域部分

從文章擷取網址中的網域部分

從文章內容，擷取特定檔案類型的網址

使用 Sublime Text 擷取特定檔案類型的網址

以下語法適用於 Sublime Tex

步驟1: 擷取該網頁的全部網址

• Chrome 瀏覽器安裝 Video Downloader GetThemAll 擴充套件
• 安裝後，點選工具列上的 Video Downloader GetThemAll 按鈕
• 點選「save link in txt」
• 儲存網址清單為純文字檔

步驟2: 刪除不包含不包含檔案類型的行，下例是檔案類型 .ttf

• 用 Sublime Tex 開啟網址清單，範例檔案如下:

Frequently Asked Questions	 	http://www.clearchinese.com/faq.htm
Contact Us	 	http://www.clearchinese.com/contact.php
HDZB_5	 	http://www.clearchinese.com/images/fonts/HDZB_5.TTF
HDZB_6	 	http://www.clearchinese.com/images/fonts/HDZB_6.TTF

• 選單 Find --> Replace
• 啟用 Regular expression
• Find What: ^((?!\.ttf).)*$ 此處語法是尋找不包含 .ttf 的行，可再修正為結尾不是 .ttf 的行。
• Replace with: (不需要輸入任何文字)

步驟3: 刪除空白行

• 選單 Find --> Replace
• 啟用 Regular expression
• Find What: ^[\s\t]*$\n
• Replace with: (不需要輸入任何文字)

步驟4: 只留下網址部分，刪除該行最前面的文字

• 選單 Find --> Replace
• 啟用 Regular expression
• Find What: .*(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)(\.ttf$)
• Replace with: \1\2
• 儲存網址清單，範例檔案如下:

http://www.clearchinese.com/images/fonts/HDZB_5.TTF
http://www.clearchinese.com/images/fonts/HDZB_6.TTF

步驟5: 下載檔案

• 安裝與執行 Orbit Downloader
• 選單: 檔案 --> 匯入下載清單 --> 選擇網址清單
• 啟動下載任務

資料驗證用：文章內容是否包含網址

使用 Google 試算表 REGEXMATCH 函數，符合正規表示法的規則的話，回傳 TRUE。若不符合，則回傳 FALSE。

=REGEXMATCH(A1, "http")

輸入1:

Yahoo! 新聞 https://tw.news.yahoo.com/abc

輸出1:

TRUE

輸入2:

Yahoo! 新聞

輸出2:

FALSE