正则表达式检查链接是否指向文件

Question

如何检查给定的链接（URL）是指向文件还是另一个网页？

我的意思是：

• 页面：https：//stackoverflow.com/questions/
• 网页：https：//www.w3schools.com/html/default.asp
• 档案：https：//www.python.org/ftp/python/3.7.2/python-3.7.2.exe
• 文件：http : //jmlr.org/papers/volume19/16-534/16-534.pdf#page=15

目前，我正在做一个非常棘手的多步骤检查，它还需要相对于绝对链接进行转换，如果缺少则添加http前缀，并删除“＃”锚链接/参数才能正常工作。我也不确定我是否将存在的所有可能的页面扩展名列入白名单。

import re
def check_file(url):
    try:
        sub_domain = re.split('\/+', url)[2] # part after '2nd slash(es)''
    except:
        return False # nothing = main page, no file
    if not re.search('\.', sub_domain):
        return False # no dot, no file
    if re.search('\.htm[l]{0,1}$|\.php$|\.asp$', sub_domain):
        return False # whitelist some page extensions
    return True

tests = [
    'https://www.stackoverflow.com',
    'https://www.stackoverflow.com/randomlink',
    'https:////www.stackoverflow.com//page.php',
    'https://www.stackoverflow.com/page.html',
    'https://www.stackoverflow.com/page.htm',
    'https://www.stackoverflow.com/file.exe',
    'https://www.stackoverflow.com/image.png'
]

for test in tests:
    print(test + '\n' + str(check_file(test)))
# False: https://www.stackoverflow.com
# False: https://www.stackoverflow.com/randomlink
# False: https:////www.stackoverflow.com//page.php
# False: https://www.stackoverflow.com/page.html
# False: https://www.stackoverflow.com/page.htm
# True: https://www.stackoverflow.com/file.exe
# True: https://www.stackoverflow.com/image.png

是否有一个干净的，单一的正则表达式匹配解决方案来解决此问题，或者有一个具有确定功能的库来解决此问题？我想一定有人在我之前遇到了这个问题，但是不幸的是，我在这里找不到解决方案。

Answer 1

Aran-Fey 的答案在表现良好的页面上效果很好，这些页面占网络的 99.99%。但没有任何规则规定以特定扩展名结尾的 URL 必须解析为特定类型的内容。配置不当的服务器可能会为名为“example.png”的页面的请求返回 html，或者可能为名为“example.php”的页面返回 mpeg，或者内容类型和文件扩展名的任何其他组合。

获取 URL 内容类型信息的最准确方法是实际访问该 URL 并检查其标头中的内容类型。大多数 http 接口库都有一种仅从站点检索标头信息的方法，因此即使对于非常大的页面，此操作也应该相对较快。例如，如果您正在使用requests，您可能会这样做：

import requests
def get_content_type(url):
    response = requests.head(url)
    return response.headers['Content-Type']

test_cases = [
    "http://www.example.com",
    "https://i.stack.imgur.com/T3HH6.png?s=328&g=1",
    "http://php.net/manual/en/security.hiding.php",
]    

for url in test_cases:
    print("Url:", url)
    print("Content type:", get_content_type(url))

结果：

Url: http://www.example.com
Content type: text/html; charset=UTF-8
Url: https://i.stack.imgur.com/T3HH6.png?s=328&g=1
Content type: image/png
Url: http://php.net/manual/en/security.hiding.php
Content type: text/html; charset=utf-8