![正在寻找正则表达式来从文件中提取 http 有效 URI?](https://linux22.com/image/1278700/%E6%AD%A3%E5%9C%A8%E5%AF%BB%E6%89%BE%E6%AD%A3%E5%88%99%E8%A1%A8%E8%BE%BE%E5%BC%8F%E6%9D%A5%E4%BB%8E%E6%96%87%E4%BB%B6%E4%B8%AD%E6%8F%90%E5%8F%96%20http%20%E6%9C%89%E6%95%88%20URI%EF%BC%9F.png)
我正在寻找一个可以从文件(任意文本)中提取 http URI 的正则表达式。请注意,文本中可以包含单词“http”,但该单词可能代表也可能不代表有效的 URI 地址。
更新:我理解 HTML 是上下文无关语法,而 RegEx 是正则表达式,但 URI 只是模式(正则表达式)。还是不是?
答案1
这比你想象的要难,没有一个正则表达式可以轻易地捕捉到它们。
考虑这样的网址
http://www.google.com/search?q=good+url+regex&rls=com.microsoft:*&ie=UTF-8&oe=UTF-8&startIndex=&startPage=1
谷歌
https://some-url.com?query=&name=joe?filter=。#some_anchor
这是一篇关于这个主题的很好的短文一个好的 url 正则表达式?
^(?#Protocol)(?:(?:ht|f)tp(?:s?)\:\/\/|~\/|\/)?(?#Username:Password)
(?:\w+:\w+@)?(?#Subdomains)(?:(?:[-\w]+\.)+(?#TopLevel Domains)
(?:com|org|net|gov|mil|biz|info|mobi|name|aero|jobs|museum|travel|
[a-z]{2}))(?#Port)(?::[\d]{1,5})?(?#Directories)(?:(?:(?:\/(?:[-\w~!$+|.,=]
|%[a-f\d]{2})+)+|\/)+|\?|#)?(?#Query)(?:(?:\?(?:[-\w~!$+|.,*:]|%[a-f\d{2}])
+=?(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)(?:&(?:[-\w~!$+|.,*:]|%[a-f\d{2}])+=?
(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)*)*(?#Anchor)(?:#(?:[-\w~!$+|.,*:=]
|%[a-f\d]{2})*)?$
以下是另一个较短的一种改进的自由、准确的 URL 匹配正则表达式模式
(?i)\b((?:[a-z][\w-]+:(?:/{1,3}|[a-z0-9%])|www\d{0,3}[.]|[a-z0-9.\-]+[.]
[a-z]{2,4}/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+
(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:'".,<>?«»“”‘’]))
答案2
也许是这样的:
(http|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?