Gruber的URL正则表达式在Python中的实现

Question

我该如何把这个识别地址的新方法改写成可以在Python中使用的呢？

\b(([\w-]+://?|www[.])[^\s()<>]+(?:\([\w\d]+\)|([^[:punct:]\s]|/)))

Answer 1

Python不支持POSIX括号表达式。

[:punct:]这个括号表达式在ASCII中是等价于

[!"#$%&'()*+,\-./:;<=>?@[\\\]^_`{|}~] 

Answer 2

我觉得Python没有这个表达式。

[:punct:]

维基百科上说，[:punct:]和下面这个是一样的：

[-!\"#$%&\'()*+,./:;<=>?@\\[\\\\]^_`{|}~]

Answer 3

这个内容的原始来源提到：“这个模式在大多数现代正则表达式的实现中应该都能用”，特别是指Perl语言。Python的正则表达式实现也是现代的，并且和Perl的相似，但缺少了[:punct:]这个字符类别。你可以很简单地用下面的方式来构建它：

>>> import string, re
>>> pat = r'\b(([\w-]+://?|www[.])[^\s()<>]+(?:\([\w\d]+\)|([^%s\s]|/)))'
>>> pat = pat % re.sub(r'([-\\\]])', r'\\\1', string.punctuation)

在这个re.sub()调用中，会对字符集里的某些字符进行转义，这是必要的。

编辑：使用re.escape()也同样有效，因为它会在所有字符前面加一个反斜杠。起初我觉得这样做有点粗糙，但在这个情况下确实没问题。

>>> pat = pat % re.escape(string.punctuation)