Python 正则表达式不匹配 http://

Question

我遇到了一个问题，想要匹配和替换某些单词，但这些单词不能出现在以 http:// 开头的链接中。

现在的正则表达式是：

 http://.*?\s+

这个正则表达式可以匹配这样的模式：http://www.egg1.com http://www.egg2.com

我需要一个正则表达式，能够匹配那些不在 http:// 里的特定单词。

举个例子：

"This is a sample. http://www.egg1.com and http://egg2.com. This regex will only match 
 this egg1 and egg2 and not the others contained inside http:// "

 Match: egg1 egg2

 Replaced: replaced1 replaced2

最终输出：

 "This is a sample. http://www.egg1.com and http://egg2.com. This regex will only 
  match this replaced1 and replaced2 and not the others contained inside http:// "

问题： 需要匹配某些模式（比如例子中的：egg1 和 egg2），但前提是它们不能是 http:// 链接的一部分。如果 egg1 和 egg2 出现在 http:// 里，就不匹配它们。

Answer 1

你需要在你的模式前面加上一个“负向回顾断言”：

(?<!http://)egg[0-9]

在这个正则表达式中，每当正则引擎找到一个匹配 egg[0-9] 的模式时，它会向后查看，确认前面的模式 不匹配 http://。负向回顾断言是以 (?<! 开始，以 ) 结束的。夹在这两个符号之间的内容是不能出现在后面的模式之前的，并且不会被包含在结果中。

在你的情况下如何使用它：

>>> regex = re.compile('(?<!http://)egg[0-9]')
>>> a = "Example: http://egg1.com egg2 http://egg3.com egg4foo"
>>> regex.findall(a)
['egg2', 'egg4']

Answer 2

这段代码不会捕捉到 http://... 这样的链接：

(?:http://.*?\s+)|(egg1)

Answer 3

我想到的一个解决办法是，把HTTP网址和你的模式组合成一个新的模式，然后根据这个模式来筛选匹配的结果：

import re

t = "http://www.egg1.com http://egg2.com egg3 egg4"

p = re.compile('(http://\S+)|(egg\d)')
for url, egg in p.findall(t):
  if egg:
    print egg

输出结果是：

egg3
egg4

---

更新：如果想用这个方法配合re.sub()，只需要提供一个筛选函数：

p = re.compile(r'(http://\S+)|(egg(\d+))')

def repl(match):
    if match.group(2):
        return 'spam{0}'.format(match.group(3))
    return match.group(0)

print p.sub(repl, t)

输出结果是：

http://www.egg1.com http://egg2.com spam3 spam4