Extract url from text
Jump to navigation
Jump to 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
工具
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\-_\\._~\:\/\?#\[\]@\!\$&'\(\)\*\+,;\=%]+).*
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
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
輸出資料:
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-._~:/?#[]@!$&'()*+,;=，其他文字則需要加上比例符號 % 編碼。 [1]
擷取網址中的網域部分
=REGEXEXTRACT(A1, "(http[s]?\://[^/]+)")
輸入:
Yahoo! 新聞 https://tw.news.yahoo.com/abc
輸出:
https://tw.news.yahoo.com/
說明:
- 網域指 http:// 或 https:// 開頭，在符號 / 前的那一段文字。因此規則改成找不是符號 / 的多個文字。[^/]+
擷取特定檔案類型的網址
以下語法適用於 Sublime Tex
步驟1: 擷取該網頁的全部網址
- Chrome
瀏覽器安裝 Video Downloader GetThemAll 擴充套件 - 安裝後，點選工具列上的 Video Downloader GetThemAll 按鈕
- 點選「save link in txt」
- 儲存網址清單為純文字檔
步驟2: 刪除不包含不包含檔案類型的行，下例是檔案類型 .ttf
- 用 Sublime Tex 開啟網址清單，範例檔案如下:
Frequently Asked Questions http://www.clearchinese.com/faq.htm Contact Us http://www.clearchinese.com/contact.php HDZB_5 http://www.clearchinese.com/images/fonts/HDZB_5.TTF HDZB_6 http://www.clearchinese.com/images/fonts/HDZB_6.TTF
- 選單 Find --> Replace
- 啟用 Regular expression
- Find What: ^((?!\.ttf).)*$ 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
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。(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。