Question

背景如下：

我正致力于将URL（包含或不包含协议和www）转换为可点击的链接。
我的正则表达式适用于包含http，https，ftp，file，www以及http/https的某些组合的网址www。
我还有正则表达式适用于只有www且没有协议的网址。

但是，我无法弄清楚找不到没有协议且没有服务器名称（www）的URL。

中尝试了以下内容

 ([^www\.|http\:// ][a-zA-Z0-9\.]+)((?:[a-zA-Z0-9]+\.)+)([a-zA-Z]{2,4})([\/a-zA-Z0-9]+)([\?][a-zA-Z0-9]+)?

但这似乎只适用于该网站，而不适用于我的应用程序。任何帮助深表感谢。

Answer 1

好吧，你可能不会很喜欢这个答案 - 但是那么也许你会这样？我有一个正则表达式（改编自）似乎在文本中找到了URL。您可以看到演示on regex101.com。

实际表达非常长 - 这是因为它有“每个合法TLD（顶级域名）”，这是找到“好”网址的良好开端。这里是

((?:(?:http|ftp|https):\/{2}){0,1}(?:(?:[0-9a-z_-]+\.)+(?:aero|asia|biz|cat|com|coop|edu|gov|info|int|jobs|mil|mobi|museum|name|net|org|pro|tel|travel|ac|ad|ae|af|ag|ai|al|am|an|ao|aq|ar|as|at|au|aw|ax|az|ba|bb|bd|be|bf|bg|bh|bi|bj|bm|bn|bo|br|bs|bt|bv|bw|by|bz|ca|cc|cd|cf|cg|ch|ci|ck|cl|cm|cn|co|cr|cu|cv|cx|cy|cz|cz|de|dj|dk|dm|do|dz|ec|ee|eg|er|es|et|eu|fi|fj|fk|fm|fo|fr|ga|gb|gd|ge|gf|gg|gh|gi|gl|gm|gn|gp|gq|gr|gs|gt|gu|gw|gy|hk|hm|hn|hr|ht|hu|id|ie|il|im|in|io|iq|ir|is|it|je|jm|jo|jp|ke|kg|kh|ki|km|kn|kp|kr|kw|ky|kz|la|lb|lc|li|lk|lr|ls|lt|lu|lv|ly|ma|mc|md|me|mg|mh|mk|ml|mn|mn|mo|mp|mr|ms|mt|mu|mv|mw|mx|my|mz|na|nc|ne|nf|ng|ni|nl|no|np|nr|nu|nz|nom|pa|pe|pf|pg|ph|pk|pl|pm|pn|pr|ps|pt|pw|py|qa|re|ra|rs|ru|rw|sa|sb|sc|sd|se|sg|sh|si|sj|sj|sk|sl|sm|sn|so|sr|st|su|sv|sy|sz|tc|td|tf|tg|th|tj|tk|tl|tm|tn|to|tp|tr|tt|tv|tw|tz|ua|ug|uk|us|uy|uz|va|vc|ve|vg|vi|vn|vu|wf|ws|ye|yt|yu|za|zm|zw|arpa)(?::[0-9]+)?(?:(?:\/(?:[~0-9a-zA-Z\#\+\%@\.\/_-]+))?(?:\?[0-9a-zA-Z\+\%@\/&\[\];=_-]+)?)?))

正如你所看到的那样，绝大多数的表达方式都被用来确保顶级域名（TLD）是众多合法的一种（270种替代方案。在我偶然发现http://mathiasbynens.be/demo/url-regex之前，我不知道有多少这种方法。我找到了这个表达的种子。）

我对上面链接中找到的表达式所做的更改 - 大部分时间我只是将所有组（外部组除外）都非捕获，因此只有一个“匹配”。在我发布的示例中，我展示了一个“好的”协议定义（如http://）将包含在捕获中，而“坏”协议定义（如http:/）将被忽略 - 但是以下内容仍将捕获URL。我还表明，在表达式之后添加标点符号（使用;和!进行测试）不会使表达式逐步显示：它捕获“直到那一点”而不是超出。

玩它，看看你喜欢它。 “病态”网址相对较差（根据上述链接），并且不适用于阿拉伯语等 - 但我不认为，根据您的问题，这将是一个问题。

一个简短的解释：

(?:(?:http|ftp|https):\/{2}){0,1}  

  (?:http|ftp|https)  - match one of http, ftp, or https - non capturing "OR" group
  :\/{2}              - followed by a colon and exactly two forward slashes
  (?: …){0,1}         - the whole thing zero or one times (so no protocol, or properly formed)

(?:(?:[0-9a-z_-]+\.)+ 
   [0-9a-z_-]+\.      - at least one of the characters in the given range, followed by a period
(?:  )+               - the whole thing one or more times, non-capturing

(?:aero|asia …)       - one of these strings, non-capturing (these are all the valid TLDs)
(?::[0-9]+)?          - zero or one times a colon followed by one or more digits: port specification
                      - this makes sure that www.something.us:8080 is valid

随后的所有其他内容都匹配了所有可以追求的不同内容 - 目录，查询等。

Answer 2

@Floris - 您的建议运作良好。我编辑了一下，并利用 @ 来检测电子邮件。我还编辑了一个更简单的工作流程（没有TLD） -

((?:(?:http|ftp|https):\/{2}){0,1}(?:(?:[0-9a-z_@-]+\.)+(?:[0-9a-zA-Z]){2,4})(?::[0-9]+)?(?:(?:\/(?:[~0-9a-zA-Z\#\+\%\@\.\/_-]+))?(?:\?[0-9a-zA-Z\+\%@\/&\[\];=_-]+)?)?)

感谢您的帮助。

正则表达式不考虑字符串中的短语

2 个答案: