Extract url from text: Difference between revisions

Jump to navigation Jump to search

Extract url from text (edit)

Revision as of 15:25, 28 March 2025

1,080 bytes removed ,  28 March 2025
m
→‎從文章內容，擷取網址中的網域部分
 
(8 intermediate revisions by the same user not shown)
Line 1: Line 1:
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])。
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 ==
== 從文章內容，擷取完整網址 ==
Line 9: Line 9:
<pre>
<pre>
=REGEXEXTRACT(A1, "(http[s]?://[a-zA-Z0-9\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)")
=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>
</pre>


Line 66: Line 75:


== 從文章內容，擷取網址中的網域部分 ==
== 從文章內容，擷取網址中的網域部分 ==
=== 使用 Google sheet 擷取網域 ===
[[Extract domain from text in Mandarin | 從文章擷取網址中的網域部分]]
使用 Google 試算表 [https://support.google.com/docs/answer/3098244?hl=zh-Hant REGEXEXTRACT] 函數
<pre>
=REGEXEXTRACT(A1, "(http[s]?\://[^/]+)")
</pre>
 
輸入:
<pre>
Yahoo! 新聞 https://tw.news.yahoo.com/abc
</pre>
 
輸出:
<pre>
https://tw.news.yahoo.com
</pre>
 
說明:
# 網域指以 <nowiki>http://</nowiki> 或 <nowiki>https://</nowiki> 開頭，與相臨不是符號 {{kbd | key = <nowiki>/</nowiki>}} 的多個文字：{{kbd | key = <nowiki>[^/]+</nowiki>}}。


== 從文章內容，擷取特定檔案類型的網址 ==
== 從文章內容，擷取特定檔案類型的網址 ==
Line 130: Line 122:
* 啟動下載任務
* 啟動下載任務


== 資料驗證用  ==
== 資料驗證用：文章內容是否包含網址 ==
=== 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。
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>
<pre>
Line 156: Line 147:
FALSE
FALSE
</pre>
</pre>
=== 文章內容是否包含網域 ===
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 [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。 {{exclaim}} 以下語法未處理 [https://zh.wikipedia.org/wiki/IPv4 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 )
<pre>
=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})"))
</pre>
輸入1:
<pre>
www.bbc.co.uk
</pre>
輸出1:
<pre>
TRUE
</pre>
輸入2:
<pre>
127.0.0.0
</pre>
輸出2:
<pre>
TRUE
</pre>
輸入3:
<pre>
Yahoo! 新聞
</pre>
輸出3:
<pre>
FALSE
</pre>
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 ==
== References ==
Line 200: Line 152:
<references />
<references />


[[Category:Regular expression]] [[Category:Data Science]] [[Category:String manipulation]]
[[Category: Regular expression]] [[Category: Data Science]] [[Category: String manipulation]]
Retrieved from "https://wiki.planetoid.info/index.php/Special:MobileDiff/23897...25549"

Navigation menu