Tenho um Web Crawler que pega links de sites,mas ele captura muitos links que não preciso.
Queria uma expressão regular que filtre os link encontrados.E somente os links como esses passariam.
Tenho um Web Crawler que pega links de sites,mas ele captura muitos links que não preciso.
Queria uma expressão regular que filtre os link encontrados.E somente os links como esses passariam.
Existem alguns meios de fazer isso que você falou na pergunta, você pode capturar somente os links que não possuem os caracteres que você mencionou (!#
) ou ignorar o link caso o caractere que você deseja seja capturado.
Como não conheço o funcionamento da sua aplicação vou deixar os 2 jeitos aqui e como você não mencionou o flavour da RegEx nem a linguagem que ela sera usada vou assumir que seja algo parecida com o flavour pcre
(php).
Caso você queira identificar as cadeias de caracteres que POSSUAM #
ou !
use esse padrão:
(?=.*#|.*!)(.*)
Para obter o resultado que você deseja, você deve identificar todos os matchs
dessa expressão e desconsidera-los, aqui tem um teste que fiz para visualizar melhor o resultado.
Caso você queira identificar as cadeias de caracteres que NÃO POSSUAM o padrão:
((?!=.*#|.*!)(.*))
Nesse caso você deve considerar somente os matchs
e desconsiderar as cadeias que não foram capturadas, aqui outro teste mas com essa expressão.
Explicação:
As duas regex funcionam de forma semelhante, porém em uma é utilizado um positive lookahead (?=
) e na outra o negative lookahead (?!=
).
O lookahead é um token que faz uma analise da cadeia de caracteres e só retorna se houver ou não um padrão específico.
Depois disso existe a cadeia que determinará a condição para o lookahead (.*#|.*!
), ela indica que haverá uma cadeia de caracteres que podem ser números letras ou símbolos e depois disso #
ou !
.
No fim existe (.*
) que capturará todos os caracteres (caso for o positive lookahead) ou não (caso for o negative lookahead).