网址匹配正则表达式（python实现）

正则表达式部分如下：

python 复制代码

pattern = re.compile(
    r'^(?:http|ftp)s?://'       # http:// or https:// or ftp:// or ftps://
    r'(?:\S+(?::\S*)?@)?'       # 可选的 用户:密码@ 部分
    r'(?:'                      # 开始匹配域名
    r'[A-Z0-9.-]+\.[A-Z]{2,6}'  # 规范的域名，如 example.com
    r'|'                        # 或者
    r'localhost'                # 本地 localhost
    r')'                        # 域名结束
    r'(?::\d{2,5})?'            # 可选的端口号，如 :8080
    r'(?:/?|[/?]\S+)$',         # 可选的路径和查询参数，如 /path 或 /path?query=1
    re.IGNORECASE               # 不区分大小写
)

分段解释：

r'^(?:http|ftp)s?://'：该部分匹配 URL 的协议部分，支持 http://、https://、ftp://、ftps://。其中，s? 表示 s 是可选的，这使得该部分可以匹配带有或不带有 s 的 URL。
r'(?:\S+(?::\S*)?@)?'：这个部分用于匹配可选的用户信息，即 用户:密码@，这是用于带有身份验证的 URL 的常见格式。? 表示这一部分是可选的，不一定会出现在 URL 中。
r'(?:[A-Z0-9.-]+\.[A-Z]{2,6}|localhost)'：该部分匹配域名：
- [A-Z0-9.-]+\.[A-Z]{2,6}：匹配像 example.com 这样的域名，.com 的后缀部分可以是 2 到 6 个字母（如 .com、.org、.net 等）。
- localhost：专门处理 localhost 的情况，这是在本地开发时常用的 URL。
r'(?::\d{2,5})?'：这个部分用于匹配可选的端口号（例如 :8080），其中端口号的位数可以是 2 到 5 位。该部分也是可选的。
r'(?:/?|[/?]\S+)$'：这个部分匹配 URL 的路径或查询参数部分，可能为空，或者可以是类似 /path 或 /path?query=1 的格式。
re.IGNORECASE：这是正则表达式的一个标志，它指定正则表达式在匹配时不区分大小写。

这个正则表达式涵盖了协议、用户信息、域名、端口号、路径等各个 URL 的组成部分，能够处理大多数常见的 URL 格式。