Editing Extract url from text

從文章內容中擷取網址 (又稱 [https://zh.wikipedia.org/zh-tw/%E7%BB%9F%E4%B8%80%E8%B5%84%E6%BA%90%E5%AE%9A%E4%BD%8D%E7%AC%A6 統一資源定位符], [https://en.wikipedia.org/wiki/Uniform_Resource_Locator Uniform Resource Locator]) 或[https://zh.wikipedia.org/zh-tw/%E5%9F%9F%E5%90%8D 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: [https://workspace.google.com/marketplace/app/extract_urls/143780651832 Extract URLs - Google Workspace Marketplace] "The application extracts links and converts them to the HYPERLINK formula" {{Gd}}
* (optional) Step2: Using the [https://support.microsoft.com/zh-tw/office/formulatext-%E5%87%BD%E6%95%B8-0a786771-54fd-4ae2-96ee-09cda35439c8 FORMULATEXT 函數 - Microsoft 支援服務]
* Step3: 使用 Google 試算表正規表示法 ([[Regular expression]]) 的 [https://support.google.com/docs/answer/3098244?hl=zh-Hant REGEXEXTRACT] 函數，從文章內容擷取第一個網址。
<pre>
=REGEXEXTRACT(A1, "(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)")
</pre>

詳細操作說明：[https://errerrors.blogspot.com/2023/10/how-to-quickly-extract-links-from-google-sheets.html 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 [https://support.google.com/docs/answer/3098245?hl=zh-Hant REGEXREPLACE] function

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

=== 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: {{kbd | key= <nowiki>.*(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+).*</nowiki>}} {{exclaim}} 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= <nowiki>\1</nowiki>}}

=== 使用 Microsoft Excel 擷取完整網址 ===
使用 Excel [https://support.office.com/en-us/article/find-findb-functions-c7912941-af2a-4bdf-a553-d0d89b0a0628?ui=en-US&rs=en-US&ad=US FIND], [https://support.office.com/en-us/article/len-lenb-functions-29236f94-cedc-429d-affd-b5e33d2c67cb?ui=en-US&rs=en-US&ad=US LEN] 與 [https://support.office.com/en-us/article/mid-midb-functions-d5f9e25c-d7d6-472e-b568-4ecb12433028?ui=en-US&rs=en-US&ad=US 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<ref>[https://stackoverflow.com/questions/25429211/extract-urls-from-a-cell-of-text-in-excel vba - Extract URL's from a Cell of Text in Excel - Stack Overflow]</ref>)

<pre>
=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))
</pre>

=== 測試資料 ===
輸入資料: 不包含 HTML 語法的 [http://www.w3schools.com/tags/att_a_href.asp a href] 屬性標籤
<pre>
Yahoo! 新聞 https://tw.news.yahoo.com/abc
</pre>

輸出資料:
<pre>
https://tw.news.yahoo.com/abc
</pre>

說明:
# 網址可能是 <nowiki>http://</nowiki> 或 <nowiki>https://</nowiki> 開頭，所以條件是 {{kbd | key = <nowiki>http[s]?://</nowiki>}}
# 根據 [http://tools.ietf.org/html/rfc3986/ RFC 3986] 的 [http://tools.ietf.org/html/rfc3986#section-2 Section 2: Characters] 網址允許的文字有 {{kbd | key = <nowiki>ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789-._~:/?#[]@!$&'()*+,;=</nowiki>}}，其他文字則需要加上比例符號 % 編碼。 <ref>[http://stackoverflow.com/questions/1547899/which-characters-make-a-url-invalid validation - Which characters make a URL invalid? - Stack Overflow]</ref>

== 從 HTML 文字，擷取完整網址 ==
=== 使用 Google sheet 擷取完整網址 ===
# Using [https://extract-urls.contributor.pw/ EXTRACT URLs] to extracts links and converts them to the HYPERLINK formula.
# Using [https://support.google.com/docs/answer/9365792?hl=en FORMULATEXT function - Google Docs Editors Help]
# Using [https://support.google.com/docs/answer/3098244?hl=zh-Hant REGEXEXTRACT] function to extract the Url from above cell

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

參考資料：
* [https://support.google.com/docs/thread/34116680/extract-url-from-pasted-external-text-with-link-embedded?hl=en 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 ==
[[Extract domain from text in Mandarin | 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 [https://www.sublimetext.com/ Sublime Tex]

步驟1: 擷取該網頁的全部網址
* {{Chrome}} 瀏覽器安裝 [https://chrome.google.com/webstore/detail/video-downloader-getthema/nbkekaeindpfpcoldfckljplboolgkfm 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 <span style="background-color: yellow;">.ttf</span>
* 用 Sublime Tex 開啟網址清單，範例檔案如下:
<pre>
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
</pre>
* 選單 Find --> Replace
* 啟用 Regular expression
* Find What: {{kbd | key= ^((?!\<span style="background-color: yellow;">.ttf</span>).)*$}} {{exclaim}} 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: [[Regular replace blank lines | 刪除空白行]]
* 選單 Find --> Replace
* 啟用 Regular expression
* Find What: {{kbd | key= <nowiki>^[\s\t]*$\n</nowiki>}}
* 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: {{kbd | key= .*(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)(\<span style="background-color: yellow;">.ttf</span>$)}}
* Replace with: {{kbd | key= <nowiki>\1\2</nowiki>}}
* 儲存網址清單，範例檔案如下:
<pre>
http://www.clearchinese.com/images/fonts/HDZB_5.TTF
http://www.clearchinese.com/images/fonts/HDZB_6.TTF
</pre>

步驟5: 下載檔案
* 安裝與執行 [http://www.orbitdownloader.com/ 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 [https://support.google.com/docs/answer/3098292?hl=zh-Hant 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。
<pre>
=REGEXMATCH(A1, "http")
</pre>

輸入1:
<pre>
Yahoo! 新聞 https://tw.news.yahoo.com/abc
</pre>

輸出1:
<pre>
TRUE
</pre>

輸入2:
<pre>
Yahoo! 新聞
</pre>

輸出2:
<pre>
FALSE
</pre>

== References ==

<references />

[[Category: Regular expression]] [[Category: Data Science]] [[Category: String manipulation]]