【Python】文字列内に含まれるURLを検出・チェックするプログラム

Pythonでは、標準ライブラリのreモジュール(正規表現モジュール)を使うことで、文字列の中にURLが含まれているかどうかを簡単にチェックできます。

この記事では、入力された文字列からURLを検出し、URLが存在する場合はそれを表示するプログラムを紹介します。URLの検出には、reモジュールが提供する findall() メソッドを使用します。

アルゴリズム

ステップ1:文字列を入力として受け取る。
ステップ2:findall()関数は、文字列内のパターンに一致する「重複しないすべてのマッチ」を返す。
この関数では文字列が左から右へ走査され、見つかった順序どおりにマッチ結果が返される。

サンプルコード

# 入力文字列からURLを検出するプログラム
import re

def url(str):
    # findall() を使用し、文字列内のURLに一致する条件を指定
    ur = re.findall('http[s]?://(?:[a-zA-Z]|[0-9]|[$-_@.&+]|[!*\(\)]|(?:%[0-9a-fA-F][0-9a-fA-F]))+', str)
    return ur

# ドライバーコード
str = 'https://auth.mywebsite.org / user / python program / https://www.mywebsite.org/'
print("Url is :: ", url(str))

実行結果

Url is :: ['https://auth.mywebsite.org / user / python program / https://www.mywebsite.org/']

正規表現パターンの解説

このプログラムで使われている正規表現パターンは、以下の要素で構成されています。

• http[s]?:「http」または「https」で始まるURLに対応(s の後の ? により、s があってもなくてもマッチ)。
• [a-zA-Z]|[0-9]:英字および数字にマッチ。
• [$-_@.&+]:URLによく含まれる記号にマッチ。
• [!*\(\)]:その他の記号やスペースにマッチ。
• (?:%[0-9a-fA-F][0-9a-fA-F]):%エンコーディングされた文字(例:%20 など)にマッチ。

このように findall() メソッドと正規表現を組み合わせることで、長いテキストの中からURLだけを効率よく取り出すことができます。Webスクレイピングやログ解析など、テキスト処理のさまざまな場面で応用できるテクニックです。