Regular extract url from text

From LemonWiki共筆
Jump to: navigation, search

使用正規表示法 (Regular expression) ,從文章內容中擷取網址 (又稱 統一資源定位符, Uniform Resource Locator)。

擷取完整網址[edit]

工具[edit]

使用 Google 試算表 REGEXEXTRACT 函數,從文章內容擷取第一個網址。

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

使用 Sublime Tex 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\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+).* Icon exclaim.gif 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: {kbd | key= \1}}

輸入[edit]

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[edit]

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 3986Section 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。 [1]

擷取網址中的網域部分[edit]

=REGEXEXTRACT(A1, "(http[s]?\://[^/]+)")

輸入:

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

輸出:

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

說明:

  1. 網域指 http:// 或 https:// 開頭,在符號 / 前的那一段文字。因此規則改成找不是符號 / 的多個文字。[^/]+


擷取特定檔案類型的網址[edit]

以下語法適用於 Sublime Tex

步驟1: 擷取該網頁的全部網址

  • Chrome Browser chrome.png 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).)*$ Icon exclaim.gif 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[edit]

文章內容是否包含網址[edit]

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

文章內容是否包含網域[edit]

原始資料包含網域,但是網域前面不包含 http e.g. tw.news.yahoo.com 或 www.bbc.co.uk。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。 Icon exclaim.gif 以下語法未處理 IPv4 形式的網域。(如果網域前面包含 http ,則可直接搜尋關鍵字: regular expression extract host )

=IF(ISERROR(REGEXMATCH(A1, "([a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+\.[a-zA-Z]{2,}$|\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})")), FALSE, REGEXMATCH(A1, "([a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+\.[a-zA-Z]{2,}$|\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})"))

輸入1:

www.bbc.co.uk

輸出1:

TRUE

輸入2:

127.0.0.0

輸出2:

TRUE

輸入3:

Yahoo! 新聞

輸出3:

FALSE

不建議的其他方法:

  • 檢查網域結尾是否是 .com, .tw, .net, .org 因為太多要列舉,該方法沒有效率。

References[edit]

  1. validation - Which characters make a URL invalid? - Stack Overflow