应优先用正则r'https?://[^\s"''']+匹配协议开头的真实url，再扩展支持html的href属性、协议相对url（//）、根相对路径（/）及src等属性，提取后需清洗并过滤伪协议。
直接用正则提取一段话里的超链接，关键不是“找网址”，而是“识别真实可跳转的链接结构”。纯文本中混杂的 URL 可能是邮箱、假链接、JS 伪协议，得靠模式设计来过滤。
匹配协议开头的完整URL
这是最常用也最稳妥的方式，适用于 http、https 开头的链接：
- 用 r'https?://[^s"']+' ——匹配以 http 或 https 开头、直到空格或常见分隔符（引号、尖括号）为止的字符串
- 它自动避开后面跟着的标点，比如 https://example.com. 中的句号不会被包含进去
- 注意：不处理编码字符（如 %20），但日常文本基本够用；如需更严谨，可扩展为支持百分号编码的版本
兼容 href 属性里的链接
如果这段话其实是 HTML 片段（比如从网页源码里截出来的一段），那重点是抓 href 的值：
- 用 r'href=["']([^"']+)["']'——同时支持单引号和双引号包裹的 URL
- 捕获组
([^"']+)确保只取引号内的内容，不会跨标签误吞 - 如果还可能遇到无引号写法（如
href=/about），可升级为：r'hrefs*=s*["']?([^"'>s]+)'
覆盖更多常见链接类型
实际文本中还有不少非 http 开头但仍是有效链接的地址：
- //cdn.example.com/js/app.js（协议相对 URL）→ 匹配 r'//[^"'s>]+ '
- /api/v1/data（根相对路径）→ 匹配 r'/(?![a-zA-Z@-])[^"'s>]*'（排除邮箱等干扰）
- 如果需要一并提取
src、data-url等属性，可用统一模式：r'(?:href|src|data-url)s*=s*["']?([^"'s>]+)'
提取后记得简单清洗
正则提取的是原始字符串，后续建议做这几步再用：
- 用
strip()去掉首尾空白或多余符号（比如逗号、括号） - 过滤掉
javascript:、mailto:、tel:这类非页面跳转链接 - 对相对路径（如
/about或./img.png），若需转成绝对地址，得结合原始网页 base URL 拼接
