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 (opens new window))，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。

练习 8：从 URL 中提取数据

Task	Text	Capture Groups	Result
capture	ftp://file_server.com:21/top_secret/life_changing_plans.pdf	ftpfile_server.com21
capture	https://regexone.com/lesson/introduction#section	httpsregexone.com
capture	file://localhost:4040/zip_file	filelocalhost4040
capture	https://s3cur3-server.com:9999/	httpss3cur3-server.com9999
capture	market://search/angry%20birds	marketsearch

我们必须分别匹配这三个部分：

• 列表中的协议都是字母组成的，所以可以使用 (\w+):// 匹配
• 主机名可以包含非字母数字字符，如破折号或句点，因此可以使用 ://([\w\-\.]+) 匹配；也可以使用 ://([^/:]+) 匹配
• 端口是 URI 的可选部分，前面有冒号，可以使用 (:(\d+)) 匹配

最终的完整表达式为：(\w+)://([\w\-\.]+)(:(\d+))?，或者 (\w+)://([^/:]+)(:(\d+))?。

解决上述任务以继续下一个问题，或者查看答案。