如何用正则提取文本中的所有超链接？

如何用正则表达式精准提取文本中的超链接？

直接上手写正则提取超链接，最容易踩的坑就是“以为看见网址就能匹配”——实际上，纯文本里混着邮箱地址、JavaScript伪协议、甚至是标点符号末尾的残缺URL，分分钟让结果跑偏。真正的关键，不在于“找网址”，而在于“识别哪一段是真实可跳转的链接结构”。下面这几个正则表达式模式，基本覆盖了你能遇到的绝大多数场景。

匹配协议开头的完整URL

这是最常用也最稳妥的方式，适用于 http、https 开头的链接：

• 使用 r'https://[^s"']+' ——匹配以 http 或 https 开头、直到空格或常见分隔符（引号、尖括号）为止的字符串。
• 它自动避开后面跟着的标点，例如 https://example.com. 中的句号不会被包含进去。
• 注意：不处理编码字符（如 %20），但日常文本基本够用；如需更严谨，可扩展为支持百分号编码的版本。

兼容 href 属性里的链接

如果这段文本其实是 HTML 片段（比如从网页源码里截出来的），那么重点就是抓取 href 属性的值：

• 使用 r'href=["']([^"']+)["']' ——同时支持单引号和双引号包裹的 URL。
• 捕获组 ([^"']+) 确保只取引号内的内容，不会跨标签误吞。
• 如果还可能遇到无引号写法（如 href=/about），可升级为：r'hrefs*=s*["']?([^"'>s]+)'。

覆盖更多常见链接类型

实际文本中还有不少非 http 开头但仍是有效链接的地址：

• //cdn.example.com/js/app.js（协议相对 URL）→ 匹配 r'//[^"'s>]+'
• /api/v1/data（根相对路径）→ 匹配 r'/(?![a-zA-Z@-])[^"'s>]*'（排除邮箱等干扰）
• 如果需要一并提取 src、data-url 等属性，可用统一模式：r'(?:href|src|data-url)s*=s*["']?([^"'s>]+)'

提取后记得简单清洗

正则提取的是原始字符串，后续建议做这几步再用：

• 用 strip() 去掉首尾空白或多余符号（比如逗号、括号）。
• 过滤掉 javascript:、mailto:、tel: 这类非页面跳转链接。
• 对相对路径（如 /about 或 ./img.png），若需转成绝对地址，得结合原始网页 base URL 拼接。