字符类在正则表达式中算为组吗？

Question

我分配的一个小项目应该是从给定文本中提取网站URL。以下是其中最相关的部分：

webURLregex = re.compile(r'''(
   (https://|http://)
   [a-zA-Z0-9.%+-\\/_]+
   )''',re.VERBOSE)

这确实很好地完成了它的工作，但我注意到它在打印的URL字符串中还包括“，”和“.”所以我的第一个问题是，如何使它排除它检测到的字符串末尾的任何标点符号？

我的第二个问题是关于标题本身（最后），但似乎并没有真正影响我正在处理的这个特定程序：字符类（在本例中为[a-zA-Z0-9.%+-\/\]+）是否算作组（在本例中为组[3]）

提前谢谢

Answer 1

反向回答： 不，字符类只是括号内文本的简写。它们提供组的方式与用括号括起来的方式不同。它们只允许正则表达式引擎选择指定的字符

关于查找逗号和点：事实上，我在这里看到了问题所在，尽管下面的内容可能仍然很有价值，所以我将保留它。本质上，您有：[a-zA-Z0-9.%+-\\/_]+字符有特殊的含义：-字符之间的所有内容都是ascii码。因此[A-a]是一个有效范围。它包括A-Z，但也包括一堆其他非A-Z的字符。如果要将-包括在范围内，则需要是最后一个字符：[a-zA-Z0-9.%+\\/_-]+应该有效

---

对于逗号，我实际上看不到它在正则表达式中的表示，所以我不能具体对此发表评论。它不应该被允许在url中的任何地方。但一般来说，您只需要添加更多组/更多条件

首先，将url拆分为所需的特定组： （方案）：/（域）（端点）

每个部分都有不同的要求：例如，域可能需要以斜杠结尾： [a-zA-Z0-9]+\.com/应该匹配任何使用字母数字字符的域，并以.com结尾（注意\.，否则它将捕获任何后跟com/的单个字符

对于endpoint部分，您可能仍然希望允许使用特殊字符，但是如果您确信不希望url以点结尾，那么您可以做一些事情[A-Za-z0-9]注意这里没有点，另外，它的长度只有一个字符。这将改变您的正则表达式的其余部分，因此您需要考虑这一点

一些随机的想法：

1. 如果您确信要匹配整行，请在正则表达式的末尾添加一个$，以表示该行的结尾。这里的一种可能性是您的正则表达式确实匹配文本的某些部分，但忽略了结尾的垃圾，因为您没有说要阅读整行
2. 正则表达式变得非常复杂，它们是一种只写的代码

web_url_regex = re.compile(
  r'(http://|https://)'  # Capture the scheme name
  r'([a-zA-Z0-9.%+-\\/_])' # Everything else, apparently
)

1. 在验证过程中不要试图详尽无遗，如上所述，URL很难验证，因为您无法确定URL是否有效。但表单非常一致，如上所述：方案、域、端点（和查询字符串）

Answer 2

要排除字符串末尾的某些符号，可以使用负向后查找。例如，要禁止. ,，请执行以下操作：

.*(?<![.,])$

Answer 3

首先要回答第二个问题，不，字符类不是一个组（除非通过将它放在括号中显式地将其变成一个组）

关于第一个问题，即如何使其排除结尾处的标点符号，下面的代码应该能回答这个问题

不过，首先，您的正则表达式有一个与匹配最终标点符号的事实不同的问题，即最后一个-似乎不是用来定义字符范围的（请参见下面的脚注，了解我为什么认为是这样），而是这样做的。为了避免这个问题，我把它移到了角色类的末尾

现在，在regexp的末尾添加了一个与最终字符匹配的字符类，该字符类与前面的字符类相同，只是它不包括.（其他标点现在已经不包括）。因此，匹配的模式不能以.结尾。上一个字符类上的+（一个或多个）现在减少为*（零个或多个）

如果出于任何原因，需要对匹配的字符集进行调整，那么仍然可以使用相同的原则：在减少的可能性集的末尾匹配单个字符，前面是更大的集合中的任意数量的字符，其中包括允许包含但不在末尾的字符

import re

webURLregex = re.compile(r'''(
   (https://|http://)
   [a-zA-Z0-9.%+\\/_-]*
   [a-zA-Z0-9%+\\/_-]
   )''',re.VERBOSE)

str = "... at http://www.google.com/. It says"

m = re.search(webURLregex, str)

if m:
    print(m.group())

产出：

http://www.google.com/

[*]第二个-似乎不打算定义字符范围的观察结果是基于这样一个事实，即如果是，那么该范围将是从056-134（八进制）开始的，这也将包括字母字符，使得a-zA-Z冗余