Question

我正在尝试创建一个正则表达式来使用Java从文本文档中提取URL，但到目前为止我还没有成功。我想要捕获的两个案例如下：

以http：//开头的网址以www开头的网址。（从前面缺少协议）

以及查询字符串参数。

谢谢！我希望我真的更了解正则表达式。

干杯，

Answer 1

如果你想确保你真正匹配网址，而不仅仅是以'www'开头的单词。您可以使用之前提到的DVK表达式。我稍微修改了它并写了一个小代码片段作为你的起点：

import java.util.*;
import java.util.regex.*;

class FindUrls
{
    public static List<String> extractUrls(String input) {
        List<String> result = new ArrayList<String>();

        Pattern pattern = Pattern.compile(
            "\\b(((ht|f)tp(s?)\\:\\/\\/|~\\/|\\/)|www.)" + 
            "(\\w+:\\w+@)?(([-\\w]+\\.)+(com|org|net|gov" + 
            "|mil|biz|info|mobi|name|aero|jobs|museum" + 
            "|travel|[a-z]{2}))(:[\\d]{1,5})?" + 
            "(((\\/([-\\w~!$+|.,=]|%[a-f\\d]{2})+)+|\\/)+|\\?|#)?" + 
            "((\\?([-\\w~!$+|.,*:]|%[a-f\\d{2}])+=?" + 
            "([-\\w~!$+|.,*:=]|%[a-f\\d]{2})*)" + 
            "(&(?:[-\\w~!$+|.,*:]|%[a-f\\d{2}])+=?" + 
            "([-\\w~!$+|.,*:=]|%[a-f\\d]{2})*)*)*" + 
            "(#([-\\w~!$+|.,*:=]|%[a-f\\d]{2})*)?\\b");

        Matcher matcher = pattern.matcher(input);
        while (matcher.find()) {
            result.add(matcher.group());
        }

        return result;
    }
}

Answer 2

所有基于 RegEx 的代码过度设计，尤其是来自最多投票答案的代码，原因如下：它只会找到有效网址！作为示例，它将忽略以“http：//”开头且内部具有非ASCII字符的任何内容。

更多：我遇到了1-2秒的处理时间（单线程，专用）和Java RegEx包，用于非常小而简单的句子，没有具体的内容;可能是Java 6 RegEx中的错误...

最简单/最快的解决方案是使用StringTokenizer将文本拆分为标记，删除以“http：//”等开头的标记，并将标记再次连接成文本。

如果您真的想将RegEx与Java一起使用，请尝试Automaton

Answer 3

This link有非常好的URL RegEx（顺便说一下，它们很难做到 - 瘦http / https;端口#s，有效字符，GET字符串，锚链接的井号等等。。）

http://flanders.co.nz/2009/11/08/a-good-url-regular-expression-repost/

Perl具有包含cannedRegExes的CPAN库，包括URL。虽然不确定Java :(

Answer 4

如果它是URL

，则测试某一行

Pattern p = Pattern.compile("http://.*|www\\..*");
Matcher m = p.matcher("http://..."); // put here the line you want to check
if(m.matches()){
    so something
}

使用Java +正则表达式从文本文档中提取URL

4 个答案: