Extract url from text: Difference between revisions
Jump to navigation
Jump to search
m (→文章內容是否包含網域) |
mNo edit summary |
||
| Line 1: | Line 1: | ||
使用正規表示法 ([[Regular expression]]) | 使用正規表示法 ([[Regular expression]]) ，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])。 | ||
== 擷取完整網址 == | == 擷取完整網址 == | ||
Revision as of 10:45, 11 October 2016
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
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\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+)")
輸入:
Yahoo! 新聞 https://tw.news.yahoo.com/abc
輸出:
https://tw.news.yahoo.com/abc
說明:
- 網址可能是 http:// 或 https:// 開頭，所以條件是 http[s]?://
- 根據 RFC 3986 的 Section 2: Characters 網址允許的文字有 ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz0123456789-._~:/?#[]@!$&'()*+,;=，其他文字則需要加上比例符號 % 編碼。 [1]
擷取網址中的網域部分
=REGEXEXTRACT(A1, "(http[s]?\://[^/]+)")
輸入:
Yahoo! 新聞 https://tw.news.yahoo.com/abc
輸出:
https://tw.news.yahoo.com/
說明:
- 網域指 http:// 或 https:// 開頭，在符號 / 前的那一段文字。因此規則改成找不是符號 / 的多個文字。[^/]+
資料驗證用
文章內容是否包含網址
使用 Google 試算表 REGEXMATCH 函數，符合正規表示法的規則的話，回傳 TRUE。若不符合，則回傳 FALSE。
=REGEXMATCH(A1, "http")
輸入1:
Yahoo! 新聞 https://tw.news.yahoo.com/abc
輸出1:
TRUE
輸入2:
Yahoo! 新聞
輸出2:
FALSE
文章內容是否包含網域
原始資料包含網域，但是網域前面不包含 http e.g. tw.news.yahoo.com 或 www.bbc.co.uk。使用 Google 試算表 REGEXMATCH 函數，符合正規表示法的規則的話，回傳 TRUE。若不符合，則回傳 FALSE。 
以下語法未處理 IP 形式的網域。
=REGEXMATCH(A1, ("[a-zA-Z0-9]{2,}\.[a-z]{2,}$"))
輸入1:
www.bbc.co.uk
輸出1:
TRUE
輸入2:
Yahoo! 新聞
輸出2:
FALSE