如何从文本中提取URL
如何从Ruby中的纯文本文件中提取所有URL?
我试过一些库,但在某些情况下它们会失败。 什么是最好的方式?
什么案件失败了?
根据图书馆regexpert ,您可以使用
regexp = /(^$)|(^(http|https):\/\/[a-z0-9]+([\-\.]{1}[a-z0-9]+)*\.[az]{2,5}(([0-9]{1,5})?\/.*)?$)/ix
然后对文本执行scan
。
编辑:似乎regexp支持空字符串。 只需删除初始(^$)
就可以了
如果您喜欢使用Ruby中已经提供的内容:
require "uri" URI.extract("text here http://foo.example.org/bla and here mailto:test@example.com and here also.") # => ["http://foo.example.org/bla", "mailto:test@example.com"]
阅读更多: http : //railsapi.com/doc/ruby-v1.8/classes/URI.html#M004495
我用过twitter-text gem
require "twitter-text" class UrlParser include Twitter::Extractor end urls = UrlParser.new.extract_urls("http://stackoverflow.com") puts urls.inspect
你可以使用正则表达式和.scan()
string.scan(/(https?:\/\/([-\w\.]+)+(:\d+)?(\/([\w\/_\.]*(\?\S+)?)?)?)/)
您可以开始使用该正则表达式并根据您的需要进行调整。
require 'uri' foo = # foo.to_s => "http://sofzh.miximages.com/ruby/00u0u_gKHnmtWe0Jk_600x450.jpg"
编辑:解释
对于那些通过JSON响应或使用像Nokogiri或Mechanize这样的抓取工具解析URI的问题,这个解决方案对我有用。
如果您的输入看起来类似于:
"http://sofzh.miximages.com/ruby/c31IkbM.gifv;http://sofzh.miximages.com/ruby/c31IkbM.gifvhttp://sofzh.miximages.com/ruby/c31IkbM.gifv"
即,URL不一定在它们周围有空格,可以由任何分隔符分隔,或者它们之间没有分隔符,您可以使用以下方法:
def process_images(raw_input) return [] if raw_input.nil? urls = raw_input.split('http') urls.shift urls.map { |url| "http#{url}".strip.split(/[\s\,\;]/)[0] } end
希望能帮助到你!