Expression régulière pour correspondre à une chaîne uniquement lorsque certains caractères n'existent pas

Question

Donc, voici ma question:

J'ai un robot qui va et télécharge les pages Web et les bandes d'URL (pour l'avenir rampants). Mon robot fonctionne à partir d'une liste blanche d'URL qui sont spécifiées dans les expressions régulières, ils sont donc le long des lignes de:

(http://www.example.com/subdirectory/)(.*?)

... qui permettrait des URL qui ont suivi le modèle à rampé à l'avenir. Le problème que je vais avoir est que je voudrais exclure certains caractères dans les URL, de sorte que (par exemple) des adresses telles que:

(http://www.example.com/subdirectory/)(somepage?param=1&param=5#print)

... dans le cas ci-dessus, à titre d'exemple, je d aimer pouvoir exclure les URL qui ont la fonction?, #, et = (pour éviter d'explorer ces pages). J'ai essayé pas mal d'approches différentes, mais je ne peux pas sembler obtenir le droit:

(http://www.example.com/)([^=\?#](.*?))

etc. Toute aide serait vraiment apprécié!

EDIT: désolé, devrait l'ai mentionné est écrit en Python, et je suis normalement assez compétent dans regex (bien que cela m'a déconcerté)

EDIT 2: La réponse de VoDurden (celui accepté ci-dessous) presque donne le résultat correct, tout ce qu'il a besoin est le caractère $ à la fin de l'expression et il fonctionne parfaitement - par exemple:

(http://www.example.com/)([^=\?#]*)$

Answer 1

Cette expression devrait être ce que vous cherchez:

(http://www.example.com/subdirectory/)([^=?#]*)$ 

[?^= \ #] Correspond à quoi que ce soit, sauf pour les caractères que vous avez spécifié.

Par exemple:

• http://www.example.com/subdirectory/match
• http://www.example.com/subdirectory/index.phpmatch
• http://www.example.com/subdirectory/somepage?param=1&param=5#printAucun match
• http://www.example.com/subdirectory/index.php?param=1Aucun match

Answer 2

Vous devrez explorer les pages jusqu'à ?param=1&param=5

parce que normalement param = 1 et param = 2 pourrait vous donner une page Web complètement différente.

ramasser un le site Web wordpress pour le confirmer.

Essayez comme celui-ci, il va essayer de correspondre juste avant # omble chevalier

(http://www.example.com/)([^#]*?) 

Answer 3

(http://www.example.com/)([^=?#]*?) 

devrait le faire, cela permettra une URL qui ne contient pas les caractères que vous ne voulez pas.

Il pourrait cependant être un peu difficile d'étendre cette approche. Une meilleure option consiste à faire fonctionner le système à deux niveaux, c'est-à-dire un ensemble d'expressions rationnelles correspondantes et un ensemble d'expressions rationnelles de blocage. Alors seulement les URL qui passent les deux seront autorisées. Je pense que cette solution sera un peu plus transparente et flexible.

Answer 4

Je ne suis pas sûr de ce que vous voulez. Si vous wan't pour correspondre à tout ce qui ne containst pas?, # Et = alors la regex est

([^=?#]*) 

Answer 5

Comme alternative, il y a toujours le module urlparse qui est conçu pour l'analyse syntaxique urls.

from urlparse import urlparse 

urls= [ 
    'http://www.example.com/subdirectory/', 
    'http://www.example.com/subdirectory/index.php', 
    'http://www.example.com/subdirectory/somepage?param=1&param=5#print', 
    'http://www.example.com/subdirectory/index.php?param=1', 
] 

for url in urls: 
    # in python 2.5+ you can use urlparse(url).query instead 
    if not urlparse(url)[4]: 
     print url 

fournit les éléments suivants:

http://www.example.com/subdirectory/ 
http://www.example.com/subdirectory/index.php