条件性的Python正则表达式匹配包含第二个冒号的URL

Question

我正在尝试匹配不包含第二个冒号（在协议中的冒号之后，例如http(s)://）的url或相对路径。你知道吗

我想拒绝表单的URL

https://en.wikipedia.org/wiki/Special:BookSources/0-8018-1841-9

或形式的路径

/wiki/Special:BookSources/0-8018-1841-9

只有一个例外。我想保留第二个冒号的，如果后跟下划线：

https://en.wikipedia.org/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond

或者

/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond`

我现在拥有的正则表达式（基于 this question和this one）是^[^:]*[:]*.*(/wiki/)[^:]+$，它解决了我需求的第一部分，但没有解决第二部分。你知道吗

我如何解释冒号后跟下划线的特殊情况？你知道吗

Answer 1

负面展望在这里可能最有意义：

^https?://(?!.*:[^_]).*wiki.*

请注意，/wiki/Special:BookSources/0-8018-1841-9严格来说不是URL，因为没有协议。相反，这是一条道路。你可能需要稍微修改一下我上面写的内容，但是消极的展望是解决你问题的简单方法。你知道吗

Answer 2

在处理各种形式、不同方案或没有域锚的url路径时，我喜欢使用urlpath。你知道吗

安装：

pip install urlpath

您可以使用urlpath库检查域后面url的每个部分，以查看它们是否包含不带下划线的冒号。如果您想避免使用regex，这个例子很有用。你知道吗

示例：

>>> from urlpath import URL
>>> url = URL('https://en.wikipedia.org/wiki/Special:BookSources/0-8018-1841-9')
>>> any(':' in i and not ':_' in i for i in url.parts[1:])
True
>>> url2 = URL('https://en.wikipedia.org/wiki/The_Post_Card:_From_Socrates_to_Freud_and_Beyond')
>>> any(':' in i and not ':_' in i for i in url2.parts[1:])
False

在本例中，对于要忽略的url，any语句返回true。如果您想让这个示例更具功能性，还可以使用regex进行过滤。你知道吗

>>> any(re.search(':[^_]',i) for i in url.parts[1:])
True
>>> any(re.search(':[^_]',i) for i in url2.parts[1:])
False

如果您对这些url进行任何请求，我建议您尝试一下urlpath库。它结合了pathlib的灵活性和urllib.parse文件，并已生成它。你知道吗

>>> url.get()
<Response [200]>