Python 提取维基百科链接，正则表达式

我是一个新手程序员，对正则表达式有问题。 我有一个包含帖子的大文件，我想提取维基百科的链接

现在我有一个正则表达式：

wiki = 'http[s]?://([a-zA-Z.0-9]{,3}wikipedia.org/wiki/[/!@i^*$a-zA-Z0-9_()-]*)(?:&quot)?'

它工作正常，但有时会产生如下结果：

en.wikipedia.org/wiki/Euclidean_algorithm)

---

如何将我的正则表达式更改为不获取右括号如果没有左括号

从正则表达式中删除括号，然后添加一个同时包含左括号和右括号的变量。理论上，你可能需要两个或更多，但我不认为维基百科允许超过一对的标题

wiki1 = 'http[s]?://([a-zA-Z.0-9]{,3}wikipedia.org/wiki/[/!@i^*$a-zA-Z0-9_-]*)(?:&quot)?'
wiki2 = 'http[s]?://([a-zA-Z.0-9]{,3}wikipedia.org/wiki/[/!@i^*$a-zA-Z0-9_-]*\([/!@i^*$a-zA-Z0-9_-]*\)[/!@i^*$a-zA-Z0-9_-]*)(?:&quot)?'
wiki = wiki1 + '|' + wiki2

---

没有任何东西禁止构建包含不平衡或嵌套括号的url（这种情况不能用

re

模块解决，但可以用

regex

模块解决）。但是，由于您正在查找wikipedia URL，因此可以假设您不会找到这种格式，而只会找到带有一级平衡括号的URL，如：

http://en.wikipedia.org/wiki/Python_（编程语言）

想法很简单，调整您的模式，只允许在此上下文中使用括号（1级，平衡）：

---

注意：我已经删除了似乎不太有用的

（？："e）？

，但如果需要，您可以将其放入。在这种情况下，您必须使用

（？=（[/！@i^*$a-z0-9_-]+）\2将行
[！@i^*$a-z0-9_-]+
更改为和阻止。
考虑使用XPath执行此任务，regex可以做很多事情，但XPath在XML文档的值方面是真正的专家。Python还提供了
urlparse
，这可以帮助您解析部分URL。为什么在Wikipedia中只考虑以
http
开头的字符串链接？您能否提供示例数据如果只给你一个普通字符串（除了测试你提取的链接），你真的无法确定一个链接是否应该有一个后括号。有一些惯例，你会有适当的匹配论题，但没有什么能阻止我在我的文章标题中加入随机的
）
。如果您正在解析
href
属性，则情况就不同了，但我假设情况并非如此。
wiki = r"""(?ix)                       # case insensitive & verbose mode
    https?://                          # perhaps you should make this optional?
    (
        [a-z0-9.]{,3}                  # 
        wikipedia.org/wiki/
        (?:
            [/!@i^*$a-z0-9_-]+         # part without parenthesis
          |                            # OR
            [(] [/!@i^*$a-z0-9_-]+ [)] # part between parenthesis
        )*                             # repeat the group 0 or more times
    )"""