Extract url from text: Difference between revisions
Jump to navigation
Jump to search
mNo edit summary |
|||
| Line 69: | Line 69: | ||
=== 文章內容是否包含網域 === | === 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 | 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。 | ||
<pre> | <pre> | ||
=REGEXMATCH(A1, ( | =IF(ISERROR(REGEXMATCH(A1, "([A-Za-z0-9]+\.[a-z]{2,}$|\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})")), FALSE, REGEXMATCH(A1, "([A-Za-z0-9]+\.[a-z]{2,}$|\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})")) | ||
</pre> | </pre> | ||
| Line 85: | Line 85: | ||
輸入2: | 輸入2: | ||
<pre> | |||
127.0.0.0 | |||
</pre> | |||
輸出2: | |||
<pre> | |||
TRUE | |||
</pre> | |||
輸入3: | |||
<pre> | <pre> | ||
Yahoo! 新聞 | Yahoo! 新聞 | ||
</pre> | </pre> | ||
輸出3: | |||
<pre> | <pre> | ||
FALSE | FALSE | ||
Revision as of 11:56, 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-._~:/?#[]@!$&'()*+,;=，其他文字則需要加上比例符號 % 編碼。 [1]
擷取網址中的網域部分
=REGEXEXTRACT(A1, "(http[s]?\://[^/]+)")
輸入:
Yahoo! 新聞 https://tw.news.yahoo.com/abc
輸出:
https://tw.news.yahoo.com/
說明:
- 網域指 http:// 或 https:// 開頭，在符號 / 前的那一段文字。因此規則改成找不是符號 / 的多個文字。[^/]+
資料驗證用
文章內容是否包含網址
使用 Google 試算表 REGEXMATCH 函數，符合正規表示法的規則的話，回傳 TRUE。若不符合，則回傳 FALSE。
=REGEXMATCH(A1, "http")
輸入1:
Yahoo! 新聞 https://tw.news.yahoo.com/abc
輸出1:
TRUE
輸入2:
Yahoo! 新聞
輸出2:
FALSE
文章內容是否包含網域
原始資料包含網域，但是網域前面不包含 http e.g. tw.news.yahoo.com 或 www.bbc.co.uk。使用 Google 試算表 REGEXMATCH 函數，符合正規表示法的規則的話，回傳 TRUE。若不符合，則回傳 FALSE。 
以下語法未處理 IPv4 形式的網域。
=IF(ISERROR(REGEXMATCH(A1, "([A-Za-z0-9]+\.[a-z]{2,}$|\d{1,3}\.\d{1,3}\.\d{1,3}\.\d{1,3})")), FALSE, REGEXMATCH(A1, "([A-Za-z0-9]+\.[a-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