如何在正则表达式周围选择整个实体而不首先拆分字符串？

Question

我的项目（与这个问题无关，只是上下文）是一个ML分类器，我正在尝试改进它，发现当我从提供给它的文本中剥离url时，一些url被空格打断了。例如：

https:// twitter.com/username/sta tus/ID

当我删除了没有断开的链接后，我就只剩下像www.com这样的想法了。我用Python中的以下正则表达式删除了这些表达式：

tweet = re.sub('(www|http).*?(org |net |edu |com |be |tt |me |ms )','',tweet);

我在每一个链接后面都加了一个空格，因为这是在常规的条带和文本处理之后发生的（所以只处理URL中由空格分隔的部分），理论上我们应该只提取断开链接的剩余部分。。。不是这样的

http website strangeTLD .... communication

这不是完美的，但它的工作，但我只是想，我可能会尝试先发制人删除网址从twitter只，因为我知道，空间打破了常规的网址带将永远在同一个地方，希望这能提高我的分类精度？这将删除链接后出现的字符串。。。特别是图片，这是我的很多资料。你知道吗

具体来说，有没有一种方法可以选择实体的周围/后面：

pic.twitter.com/

或者，参考我前面给出的示例，选择用户名后面的实体，并在status中用空格分隔（我只是猜测这个regex）。。。你知道吗

http.*?twitter.com/*?/sta tus/

提前谢谢！作为记录，我得到了这个数据集；我不知道为什么url几乎都被空格打断了。你知道吗

Answer 1

是的，您所说的内容称为正向lookback并使用(?<=...)，省略号应该替换为您要跳过的内容。你知道吗

例如，如果您想在https://twitter.com/username/status/ID中选择username后面的内容，只需使用

(?<=https:\/\/twitter\.com\/username\/).*

你会得到status/ID，就像你看到的live demo。你知道吗

在本例中，我必须按照Regex规范的要求，使用反斜杠转义斜杠/；我还使用Kleene star operator，即星号来匹配.（任何字符）的任何出现，就像您所做的那样。你知道吗

正向lookback组合的作用是在光标的当前位置之前指定一些强制文本；换句话说，它将光标放在您输入的表达式之后（如果所述文本存在）。你知道吗

当然，这在您的例子中是不够的，因为username不是固定字符串，而是可变字符串。这可能是一个额外的要求，因为lookbehind不适用于可变长度。 所以你可以跳过www.twitter.com/

(?<=https:\/\/twitter\.com\/).*

然后，通过Python创建一个子字符串

currentText = "username/status/ID"
result = currentText.split("/",1)[1] # returns status/ID

在这个demo（单击“Execute”）中测试它；这个question的答案中简单解释了它的工作原理（简而言之，您只需在第一个斜杠字符处拆分字符串）。你知道吗

作为旁注，URL中不允许空白/空格，如有必要，通常编码为%20或+（参见this答案）。换句话说，你得到的每一个网址都可以在处理前安全地去掉空格，所以。。。他们为什么不这么做？你知道吗