定期爲一組

Question

我寫使用Scrapy，結果我得到這樣一組URL的網絡爬蟲外檢查字符串表達式：虛擬的URL] * http://matrix.com/en/Zion

http://matrix.com/en/Machine_World

http://matrix.com/en/Matrix:Banner_guidelines

http://matrix.com/en/File:Link_Banner.jpg

http://matrix.com/wiki/en/index.php *

在scrapy中的規則中，我想添加一個正則表達式，它允許只有類型爲「http://matrix.com/en/Machine_World」或「http://matrix.com/en/Zion」 的網址，即包含集合之外任何內容的網址「http://matrix.com/en/ < [a-zA-Z，_]> 「一定不能被允許。

約束：

• 後的字符串 「/ EN /」 可以是任何長度。所以我不能要求它只查看前10或20個字符。例如，當我使用正則表達式：[a-zA-Z，] {1,20}或者[a-zA-Z，] {1，}它仍然匹配像http://matrix.com/en/Matrix:Banner_guidelines那樣的URL，它會找到「http://matrix.com/en/Matrix」部分該網址成功匹配。我希望它查看在「/ en /」之後直到URL結尾的字符串，然後應用此規則。 不幸的是我不能提取那個字符串n寫一個任何類型的子程序。它只能使用正則表達式來完成！

Answer 1

即包含 「http://matrix.com/en/ < [A-ZA-Z，_]>」 不能被允許的組的之外的任何內容的URL。

您是否嘗試過在正則表達式中使用這個字符類？看起來你不包括下劃線。

嘗試

[a-zA-Z,_]+ 

加號的意思是「一個或多個」 - 這是一樣的{1，}只是一個不錯的簡寫:)

如果你想排除與.PHP項目或.jpg，隨意$符號添加到末尾，像這樣：

[a-zA-Z,_]+$ 

$表示「行尾」，這意味着您匹配的序列必須運行到該行的末尾。由於fullstops沒有在字符類包括在內，這些選項將被排除在外

讓我知道如果這樣的作品， 埃利奧特

Answer 2

重現的證據，建議的正則表達式的工作原理：

grep("matrix.com\\/en\\/[a-zA-Z,_]+$", x, perl=TRUE, value=TRUE) 
#[1] "http://matrix.com/en/Zion"   
#[2] "http://matrix.com/en/Machine_World" 

數據

x <- c("http://matrix.com/en/Zion", "http://matrix.com/en/Machine_World", 
     "http://matrix.com/en/Matrix:Banner_guidelines", 
     "http://matrix.com/en/File:Link_Banner.jpg", 
     "http://matrix.com/wiki/en/index.php")