Das deutsche Python-Forum

Halli Hallo Halöchen!

Ich hab ma ne Frage...

und zwar bin ich gerade dabei wieder einmal ein wenig mit Regex rumzuspielen.
Nun frage ich mich. Gibt es so etwas wie ein &| ?

Hier ein Beispiel:

Ich habe folgende Regex:

Code: Alles auswählen

#link\[(http://|www.)?[a-zA-Z0-9-_\/\\:]*(\.[a-z]{2})\s.*\]

Der trifft auch bisher zuverlässig auf alles, was ich will... --> ob verbesserungswürdig würde ich gern erstma hinten ranschieben... is nur zusammengeschmissen

Jedoch gibt es bei einer URL die Möglichkeit, das '' www. '' und '' http:// '' gleichzeitig vorkommen.
Wie müsste ich das abändern, damit er das auch findet?
Da wäre doch so ein '' &| '' net schlecht

gibet so etwas?
Oder muss ich wirklich schreiben:

Code: Alles auswählen

#link\[(http://|www.|http://www.)?

wobei ich mir hier auch net sicher bin, ob er das einwanfrei findet

finden auf jedenfall... aba was er da intern so macht - obs da Probleme gibt

Habt ihr da ein paar Tipps?

Herzlichen Dank!

MfG EnTeQuAk

Wenn du URLs mehr oder weniger korrekt validieren, musst du einfach nur diesen Regulären Ausdruck für Pythons SRE aufbereiten

Passender Thread dazu im Rubyforum.

EnTeQuAk hat geschrieben: Nun frage ich mich. Gibt es so etwas wie ein &| ?

Hier ein Beispiel:

Ich habe folgende Regex:
Code: Alles auswählen
#link\[(http://|www.)?[a-zA-Z0-9-_\/\\:]*(\.[a-z]{2})\s.*\]
Der trifft auch bisher zuverlässig auf alles, was ich will... --> ob verbesserungswürdig würde ich gern erstma hinten ranschieben... is nur zusammengeschmissen

Jedoch gibt es bei einer URL die Möglichkeit, das '' www. '' und '' http:// '' gleichzeitig vorkommen.
Wie müsste ich das abändern, damit er das auch findet?

Wenn beides optional sein kann:

(http://)?(www\.)?

BlackJack hat geschrieben: Wenn beides optional sein kann:

(http://)?(www\.)?

Das wäre eine Idee

Herzlichen Dank!

Leonidas hat geschrieben: Wenn du URLs mehr oder weniger korrekt validieren, musst du einfach nur diesen Regulären Ausdruck für Pythons SRE aufbereiten

WoW !

Ich glaube, man kann es auch einfach nur übertreiben... *grml*... das geht doch aber bestimmt kürzer oder?

Na Egal... ich bastel erstmal nur etwas herum... was am Ende dabei herauskommt ist die andere Frage.
Verbessern kann man alles später immerr noch

Danke nochmal an beide!

Nun weiß ich, wies richtig geht und ich weiß, wie verrückt einige Leute sind - ohne jmd beleidigen zu wollen -.

MfG EnTeQuAk

EDIT:

ich habe mal über den Post von Leonidas nachgedacht...
Muss man für die "gute" erkennung von URLs wirklich so ne Lange Syntax nehmen?
Eigentlich benötigt man doch wirklich nur die "Vorzeichen"
http(s)://
www.
dann den Link text ansich... da benötigt man doch nur eine Menge aus allen "benutzbaren" Zeichen, die in URLs verwendet werden dürfen.
Nun nur noch das "ende" treffen. Also einen Punkt und zwei buchstaben. Bei denen noch im späteren Verlauf beachte, das URLs nur kleingeschriebene Zeichen enthalten dürfen.... fertig. Oder liege ich da halbwegs falsch?

EnTeQuAk hat geschrieben:Ich glaube, man kann es auch einfach nur übertreiben... *grml*... das geht doch aber bestimmt kürzer oder?

Um alle URLs mit einer großen Warscheinlichkeit richtig aus einem Fließtext zu extrachieren. Ich fürchte dass ist nicht ganz trivial.

EnTeQuAk hat geschrieben:ich habe mal über den Post von Leonidas nachgedacht...
Muss man für die "gute" erkennung von URLs wirklich so ne Lange Syntax nehmen?
Eigentlich benötigt man doch wirklich nur die "Vorzeichen"
http(s)://
www.
dann den Link text ansich... da benötigt man doch nur eine Menge aus allen "benutzbaren" Zeichen, die in URLs verwendet werden dürfen.
Nun nur noch das "ende" treffen. Also einen Punkt und zwei buchstaben. Bei denen noch im späteren Verlauf beachte, das URLs nur kleingeschriebene Zeichen enthalten dürfen.... fertig. Oder liege ich da halbwegs falsch?

Nein, denn URLs so wie sie in zum Beispiel Foren gepostet werden, dürfen gerne mal auch ohne www anfangen, zum beispiel django.benitum.de/sorter/ ist als URL gedacht, wird aber nicht als solche erkannt. Noch dazu kann man http:// auch durch ftp:// ersetzen oder es gibt auch Adressen ohne Doppelslashes wie xmpp:. Verkompliziert wird das noch durch URLs wie http://www.python-forum.de./index.html in denen explizit noch der DNS-Root angegeben sind, ebenso ist http://www.python-forum.de/hallo,welt eine gültige URL, Kommas sind in URLs zugelassen. Nicht zu vergessen die Möglichkeit Leerzeichen in URLs zu machen. Das Problem ist weniger der Anfang der URL sondern eher ihr Ende.

Nicht zu vergessen die Möglichkeit Leerzeichen in URLs zu machen.

Das wäre mir neu

Aber gut... ich lass mich gerne belehren.

Hmm... wie ich sehe... da gibt es doch eine gaaaanze Menge, was es zu beachten gibt.
Hier zu mal noch ein paar Ideen.

Denn

EnTeQuAk wills wissen!

(hieß ma Willi - in Fernsehen aba egal!)

So ich hab mir ma weiterhin Gedanken gemacht:

Nein, denn URLs so wie sie in zum Beispiel Foren gepostet werden, dürfen gerne mal auch ohne www anfangen, zum beispiel django.benitum.de/sorter/ ist als URL gedacht, wird aber nicht als solche erkannt.

hmm... wenn man solch "extrem" sachen mit einbauen möchte... nun ja...

oder es gibt auch Adressen ohne Doppelslashes wie xmpp:

Ist mir auch wieder neu... mensch - wie viel man hier dazu lernen kann

Wäre aber z.B. ftp: is glaub ich auch erlaubt und wird eingesetzt - oder?

Kommas sind in URLs zugelassen

Muss ich nicht erwähnen, das das auch wieder neu für mich ist

Das Problem ist weniger der Anfang der URL sondern eher ihr Ende.

Ich sehe schon... Aber ich werde es mal trotzdem versuchen... wäre doch schade, wenn ich meinen Urlaub mit anderen Sachen verschwenden würde

vllt. können wir ja ma nen kleinen "Wettbewerb" machen --> wer den kürzesten und besten Regex bastelt, was URLs betrifft. Wäre bestimmt lustig spätestens, wenn man das alles ins Wiki packt.

MfG EnTeQuAk

EDIT:
ich habe gerade gesehen, das man auch Sachen wie:
http://de.wikipedia.org/wiki/Top-Level-Domain
beachten muss... denn da ist nicht alles möglich!

und auch Sachen wie '' .de.ki '' oder '' .de.vu '' müsste man beachten...

BOA... is das alles überhaupt komplett unter einen Hut zu packen?

EDIT2:
ich sehe gerade... da kommen auch Sachen wie RSS Feeds - welche auch eigene präfixe haben - dazu... wenn ich mich net komplett irre

EnTeQuAk hat geschrieben:vllt. können wir ja ma nen kleinen "Wettbewerb" machen --> wer den kürzesten und besten Regex bastelt, was URLs betrifft. Wäre bestimmt lustig spätestens, wenn man das alles ins Wiki packt.

Um $GOTTES willen, bitte nicht unser schönes Wiki mit so etwas verschandeln. Das ist eine Spielwiese für Perl-Anhänger.

Warum machst Du das überhaupt so furchtbar kompliziert? Du hast bei Deinem Problem doch scheinbar ein ']' als ziemlich eindeutiges Endkennzeichen.

BOA... is das alles überhaupt komplett unter einen Hut zu packen?

Den Link zu so einer Regex hast Du ja schon bekommen. Wenn Du selber etwas basteln willst, dann nimm Dir am besten das entsprechende RFC vor, da wird das recht formal und genau definiert.

BlackJack hat geschrieben:
EnTeQuAk hat geschrieben:vllt. können wir ja ma nen kleinen "Wettbewerb" machen --> wer den kürzesten und besten Regex bastelt, was URLs betrifft. Wäre bestimmt lustig spätestens, wenn man das alles ins Wiki packt.
Um $GOTTES willen, bitte nicht unser schönes Wiki mit so etwas verschandeln. Das ist eine Spielwiese für Perl-Anhänger.

Und wo wir gerade dabei sind, wie wäre es mit einer Assoziationskette im Wiki?

<d&r>

Aaaaaaaah! Hiiiiiiiiiiiiilfeeeee!

Aber warum nicht, soll ich die aus dem Forum mal in's Wiki kopieren?

EnTeQuAk hat geschrieben:
Nicht zu vergessen die Möglichkeit Leerzeichen in URLs zu machen.
Das wäre mir neu Aber gut... ich lass mich gerne belehren.

Als Beispiel bringe in mal BlackJacks bekanntes Objects 'n' Names.pdf, welches er mal in d.c.l.p gepostet hat. Das war lustig

AAhhh ja

@ BlackJack

Oder hier im Forum ... mir egal...

Das ich mit dem, was ich benätige mit dem '' # '' und dann noch dem Bezeichner '' link '' und den Eckigen klammern genug unterscheidungen habe weiß ich

Allerdings... fänd ich es lustig

MfG EnTeQuAk

Hi EnTeQuAk,

bist Du nachtaktiv oder Frühaufsteher?

Mir fällt auf, dass sich das Thema vom re-Test langsam hin zum effektiven URL-Parsen verlagert. Wenn Du tatsächlich effektiv URLs auswerten willst, brauchst Du das Python-Rad nicht neu zu erfinden, es gibt dafür schon ein eigenes eingebautes Modul: urlparse
Über eine einfache Funktion kannst Du URLs bequem analysieren. Als Beispiel die Adresse dieses Threads:

Code: Alles auswählen

>>> from urlparse import urlparse
>>> def parse_url(sURL):
...     tKomponenten = ("Protokoll", "Adresse", "Pfad", "Parameter", "Query","Fragment")
...     tURL = urlparse(sURL)
...     return dict(zip(tKomponenten, tURL))
... 
>>> sURL = "http://www.python-forum.de/topic-8362.html?highlight=24h" 
>>> for tKV in parse_url(sURL).items():
...     print "Komponente: %s\n  Wert: %s\n" % tKV
... 
Komponente: Query
  Wert: highlight=24h

Komponente: Pfad
  Wert: /topic-8362.html

Komponente: Adresse
  Wert: www.python-forum.de

Komponente: Fragment
  Wert: 

Komponente: Protokoll
  Wert: http

Komponente: Parameter
  Wert:

Grüße,
der Michel

Hmm... ich würde sagen...Schlaf gestört... Aber nun ja das ist ein anderes Thema

Hab ja Urlaub, da kann man sich so etwas mal erlauben.

Und das Rad neu erfinden wollte ich - mal wieder - eigentlcih nicht

Aber urlparse schaut doch ganz gut aus

Das, was ich eigentlich wirklich wollte ist schon längst erledigt... es macht aber so spaß, mit euch in dem Forum zu diskutieren usw. da schweife ich halt gerne aus

MfG EnTeQuAk

Das deutsche Python-Forum

Gibt es so etwas wie ein &| bei Regex??

Gibt es so etwas wie ein &| bei Regex??

Re: Gibt es so etwas wie ein &| bei Regex??

Re: Gibt es so etwas wie ein &| bei Regex??

Re: Gibt es so etwas wie ein &| bei Regex??