如何使用Python正则表达式从URL中提取slug？

Question

我在使用Python的re时遇到了困难。我不知道如何以简洁的方式解决以下问题。

我想从URL中提取一部分。

迄今为止，我尝试了以下方法：

url = http://www.example.com/this-2-me-4/123456-subj
m = re.search('/[0-9]+-', url)
m = m.group(0).rstrip('-')
m = m.lstrip('/')

这给了我所需的输出123456，但我觉得这不是提取slug的正确方式。

如何更快、更干净地解决这个问题？

- mcbetz

Answer 1

将要捕获的正则表达式部分放在括号内(...)以使用捕获组。通过将其编号作为参数传递给m.group()，您可以获取捕获组的内容：

>>> m = re.search('/([0-9]+)-', url)
>>> m.group(1) 
123456

从文档中：

匹配括号内的任何正则表达式，并指示组的开始和结尾；可以在执行匹配后检索组的内容，并且可以在字符串中稍后与\number特殊序列一起匹配。要匹配文字'('或')'，请使用\(或\)，或将它们包含在字符类中：[(] [)]。

- Stefan van den Akker

Answer 2

您可以使用urllib.parse结合捕获组来编写更简洁的代码。

import urllib.parse, re

url = 'http://www.example.com/this-2-me-4/123456-subj'
parsed = urllib.parse.urlparse(url)
path = parsed.path
slug = re.search(r'/([\d]+)-', path).group(1)
print(slug)

结果：

123456

在Python 2中，使用urlparse代替urllib.parse。

- senshin

---

你能否解释一下为什么你认为使用urllib.parse更加简洁？因为你的回答其余部分与@Nefta的相同... - mcbetz

@MartinBetz 好的，你正在解析一个URL，是吗？我不知道你的代码的其余部分是什么样子的，所以完全有可能这对你来说是过度的，但为了论证起见，如果你有一个像 http://foo.com/bar/123456-subj?arg=/789- 这样的url呢？那不是一个有效的URL，当然（查询应该是%编码），但我可以想象一些情况下需要处理它。 - senshin

谢谢您的解释！答案有点超出了问题的范围，所以我选择了另一个作为最佳答案，但是我从您的回答中学到了额外的知识！ - mcbetz

@MartinBetz 没问题！ - senshin

Answer 3

如果您想查找 URL 中所有可用的短网址，则可以使用以下代码。

from slugify import slugify

url = "https://www.allrecipes.com/recipe/79300/real-poutine?search=random/some-name/".split("/")

for i in url:
    i = i.split("?")[0] if "?" in i else i
    if "-" in i  and slugify(i) == i:
        print(i)

这将提供一个输出

real-poutine
some-name

- Lakshit Khanna