0

Necesito de su ayuda quisiera crear un código para clasificar los diferentes tipos de URLs, ya sea en absolutas o relativas, he pensado en hacerlo con expresiones regulares pero lo veo muy ineficiente.

http://www.wikipedia.org => url absoluta
wiki/url.html => url relativa

Necesito crear algo que me clasifique de las forma anterior, espero que me puedan ayudar.

1
  • Si todas las urls relativas van a empezar por "http://<>" pues comprueba que la cadena que empieza así es absuluta, y si no relativa.
    – RodriKing
    Commented el 9 oct. 2017 a las 17:15

2 respuestas 2

1

Usando urlparse con Python 2:

>>> from urlparse import urlparse
>>> urlparse('http://www.wikipedia.org').scheme
'http'
>>> urlparse('https://www.google.com').scheme
'https'
>>> urlparse('wiki/url.html').scheme
''
>>> urlparse('/bar/foo').scheme
''

Por lo tanto, podríamos decir, en cierta forma*, que las que no tienen un esquema (scheme) son relativas:

>>> urls = ['http://www.wikipedia.org', 'https://www.google.com', 'wiki/url.html', '/bar/foo']
>>> for url in urls:
...   if not urlparse(url).scheme:
...     print '"%s" -> Relativa' % url
...   else:
...     print '"%s" -> Absoluta' % url
... 
"http://www.wikipedia.org" -> Absoluta
"https://www.google.com" -> Absoluta
"wiki/url.html" -> Relativa
"/bar/foo" -> Relativa

*Lo digo en cierta forma ya que la siguiente URL podría considerarse como absoluta a pesar de no tener esquema:

www.google.com

Es una cuestión de interpretación. La sintaxis de una URL debe tener un esquema.

0

Hay una excelente respuesta en el sitio en inglés que puedes verificar aquí y voy a traducirte, lo que se propone es usar la siguiente expresión regular:

^(?!www\.|(?:http|ftp)s?://|[A-Za-z]:\\|//).*

Que básicamente verifica:

^                 # Desde el comienzo de la cadena
(?!               # Verificar que los próximos caracteres NO sean
www\.             # url que comienzan con www.
|                 # o
(?:http|ftp)s?:// # url que comienzan con http, https, ftp, ftps
|                 # o
[A-Za-z]:\\       # Carpetas locales del tipo [letra unidad]:\  
|
//                # o ubicaciones UNC que comienzan con //
)                 # Fin de grupo
.*                # Fin de la cadena

La solución podría ser así:

import re

p = re.compile(r"^(?!www\.|(?:http|ftp)s?://|[A-Za-z]:\\|//).*")

def url_type(url):
  return "realativa" if p.search(url) else "absoluta"

print(url_type("http://www.wikipedia.org"))
print(url_type("wiki/url.html"))

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.