代码之家 › 专栏 › 技术社区 › josh

Regex从URL中删除www

grok logstash regex

josh · 技术社区 · 8 年前

我希望有人能帮我,这快把我逼疯了!

我正在尝试修改Logstash Grok过滤器以解析域名。当前正则表达式为: \b(?:[0-9A-Za-z][0-9A-Za-z-]{0,62})(?:\.(?:[0-9A-Za-z][0-9A-Za-z-]{0,62}))*(\.?|\b) 并正确分隔域,但是,我需要添加额外的检查以删除 www. .

这就是我到目前为止得出的结论:

\b(?:[0-9A-Za-z][0-9A-Za-z-]{0,62})(^(?<!www$).*$?:\.(?:[0-9A-Za-z][0-9A-Za-z-]{0,62}))*(\.?|\b)

我似乎只能保留 网址:www。 域的一部分,而不是域本身。我需要实现的目标示例: www.stackoverflow.com 应该是 stackoverflow.com .

我需要特别删除 网址:www。 而不是整个子域。

提前谢谢你!

更新

预期产出的输入示例(以本帖子为例): 在当前状态下: https://stackoverflow.com/questions/37070358/ 收益 网址:www.stackoverflow.com

我需要的是它回来 stackoverflow.com网站

2 回复 | 直到 8 年前

Wiktor StribiÅ¼ew 8 年前

您可以添加 (?!www\.) 和 (?!http:\/\/www\.) 第一次之后就出现负面展望 \b 排除匹配 www. 或 http://www. :

\b(?!www\.)(?!http:\/\/www\.)(?:[0-9A-Za-z][0-9A-Za-z-]{0,62})(?:\.(?:[0-9A-Za-z][0-9A-Za-z-]{0,62}))*(?:\.?|\b)
  ^^^^^^^^^^^^^^^^^^^^^^^^^^^

请参阅 regex demo

您可以添加更多要排除的负面标题 https:// 或 ftp / ftps 链接。

替代方案 :

\b(?!(?:https?|ftps?):\/\/)(?!www\.)(?:[0-9A-Za-z][0-9A-Za-z-]{0,62})(?:\.(?:[0-9A-Za-z][0-9A-Za-z-]{0,62}))*(?:\.?|\b)

看见 this regex demo

这个 (?!(?:https?|ftps?):\/\/) 和 (?!www.) lookaheads只会让你跳过协议 www URL的部分。

Bohemian 8 年前

这将与以下部件匹配 www 如果url以开头 网址 .

(?!www\.)\b(?:(?!-)[0-9A-Za-z]{1,63})(?:\.(?:(?!-)[0-9A-Za-z-]{1,63}))*(\.?|\b)

我也简化了其余的正则表达式,对 - 在子域中。

推荐文章

lonix · 使用sed从JSON中提取非贪婪正则表达式

1 年前

me-me · regex检查电子邮件字符串是否有@后跟一个点以及点符号后至少2个字符[重复]

1 年前

Dave Guerrero · 是否有一个正则表达式模式来捕获字符串中直到第一个字母字符的数字?

2 年前

Dima Malko · 如何在指定符号前添加符号?

2 年前

shekharsabale · 从列表元素捕获子字符串

2 年前

maycca · 正则表达式:过滤年份数值大于某个值的文件?字符串中编码的年份

2 年前

Katia · 根据特定规则进行多行匹配

2 年前

Andrei Cleland · 在长正则表达式中包含unicode字符

2 年前

MHA · Pandas str.extract()以字母结尾的数字

2 年前

Slava Vir · 如何查找后面“/”之间的最后一组

2 年前