问题 8:从 URL 中解析和提取数据
在网络上处理文件和资源时,我们经常会遇到可以直接解析和使用的 URIs 和 URLs。大多数标准库都提供了用来解析和构造这类标识符的类,但是如果您需要在日志文件或更大的文本语料库中匹配它们,那么使用正则表达式可以很容易地从它们的结构化形式中提取信息。
URIs (统一资源标识符,Uniform Resource Identifiers),是资源的一种表示方法,通常包括 scheme (方案名),host (主机名),port (端口,可选的) 和 resource path (资源路径),如下所示:
http://regexone.com:80/page
Scheme 描述了用于通信的协议 (protocol),host 和 port 描述了资源的来源,path 描述了资源所在的位置。
在下面的练习中,尝试提取出的所有资源的协议、主机和端口。