Question

我有以下正则表达式可以很好地匹配网址：

((https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\))+[\w\d:#@%/;$()~_?\+-=\\\.&]*)`

但是，它不处理没有前缀的URL，即。 stackoverflow.com 或 www.google.com 不匹配。任何人都知道如何修改这个正则表达式而不关心是否有前缀？

编辑：我的问题太模糊了吗？它需要更多细节吗？

(((https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\)))?[\w\d:#@%/;$()~_?\+-=\\\.&]*)

我添加了一个（）？围绕 Vinko Vrsalovic 建议的协议，但现在正则表达式将匹配几乎任何字符串，只要它具有有效的URL字符。

我的实现是我有一个管理内容的数据库，它有一个字段，可以是纯文本，电话号码，URL或电子邮件地址。我正在寻找一种简单的方法来验证输入，以便我可以正确格式化，即。为网址/电子邮件创建锚标记，并格式化电话号码我如何在整个网站中格式化其他数字。有什么建议吗？

Answer 1

以下正则表达式来自精彩的Mastering Regular Expressions书。如果您不熟悉free spacing/comments mode，我建议您熟悉它。

\b
# Match the leading part (proto://hostname, or just hostname)
(
    # ftp://, http://, or https:// leading part
    (ftp|https?)://[-\w]+(\.\w[-\w]*)+
  |
    # or, try to find a hostname with our more specific sub-expression
    (?i: [a-z0-9] (?:[-a-z0-9]*[a-z0-9])? \. )+ # sub domains
    # Now ending .com, etc. For these, require lowercase
    (?-i: com\b
        | edu\b
        | biz\b
        | gov\b
        | in(?:t|fo)\b # .int or .info
        | mil\b
        | net\b
        | org\b
        | name\b
        | coop\b
        | aero\b
        | museum\b
        | [a-z][a-z]\b # two-letter country codes
    )
)

# Allow an optional port number
( : \d+ )?

# The rest of the URL is optional, and begins with / . . . 
(
     /
     # The rest are heuristics for what seems to work well
     [^.!,?;"'<>()\[\]{}\s\x7F-\xFF]*
     (?:
        [.!,?]+  [^.!,?;"'<>()\[\]{}\s\x7F-\xFF]+
     )*
)?

简要解释这个正则表达式（为了获得完整的解释） - URL有一个或多个以点分隔的部分，以有限的最终位列表或两个字母的国家代码（.uk .fr ... ）。此外，部件可能包含任何字母数字字符或连字符' - '，但连字符可能不是部件的第一个或最后一个字符。然后可能有一个端口号，然后是其余部分。

要从网站上提取此内容，请转到http://regex.info/listing.cgi?ed=3&p=207它来自第3版的第207页。

Answer 2

如果您阅读了网址规范（http://www.isi.edu/in-notes/rfc1738.txt）的第5部分，您会看到网址的语法至少为：

scheme ':' schemepart

其中scheme是1个或更多字符，schemepart是0或更多字符。因此，如果您没有冒号，则表示您没有URL。

那就是说，/ users /不在乎他们是否给了你一个url，对他们来说它看起来就像一个。所以这就是我的工作：

在验证之前，如果其中没有冒号，则在http：//之前添加，然后通过您想要的任何验证器运行它。这会将任何合法的主机名（毕竟可能不包括域信息）转换为看起来像URL的内容。

frob  ->  http://frob

（几乎）主机部分的唯一规则是，如果它不包含点，则它不能以数字开头。现在，应该针对特定方案执行特定的验证，这些验证到目前为止没有给出正则表达式。但是，规范合规性可能不是您想要“验证”的。因此，对主机名部分的dns查询可能很有用，但除非您在与用户相同的上下文中使用相同的解析程序，否则它不会在所有情况下都起作用。

Answer 3

你的正则表达式匹配从其中一个协议开始的所有内容，包括许多不可能存在的URL，如果你放松协议部分（使它成为可选的？）那么你将只匹配几乎所有东西，包括空字符串。

换句话说，它可以很好地匹配网址，因为它几乎匹配以http://,https://,ftp://开头的所有内容，依此类推。好吧，它也匹配ftp：\\和ms-help：//，但让我们忽略它。

根据实际使用情况，这可能有意义，因为将有效域列入白名单的其他regexp方法变得不够快，但是使协议部分可选是没有意义的。

一个例子（放松协议部分）：

>>> r = re.compile('(((https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\))+)?[\w\d:#@%/;$()~_?\+-=\\\.&]*)')
>>> r.search('oompaloompa_is_not_an_ur%&%%l').groups()[0]
'oompaloompa_is_not_an_ur%&%%l' #Matches!
>>> r.search('oompaloompa_isdfjakojfsdi.sdnioknfsdjknfsdjk.fsdnjkfnsdjknfsdjk').groups()[0]
'oompaloompa_isdfjakojfsdi.sdnioknfsdjknfsdjk.fsdnjkfnsdjknfsdjk' #Matches!
>>>

鉴于您的编辑，我建议您让用户选择他添加的内容，添加枚举列，或者创建一个更简单的正则表达式，除了有效字符和一些常用域之外，还要检查至少一个点。 / p>

非常慢的第三种选择，只有在URL验证真的非常重要时才会使用，实际上是访问URL并对其执行HEAD请求，如果您找不到主机或错误，您知道它无效。对于电子邮件，您可以尝试查看MX主机是否存在并打开端口25。如果两者都失败了，它将是纯文本。（我也不建议这样做）

Answer 4

您可以将前缀部分括在括号中并匹配0或1次出现

所以整个正则表达式将成为

问题在于它会或多或少地匹配任何单词。例如，“test”也是匹配。

你打算在哪里使用那个正则表达式？您是要尝试验证主机名还是尝试在段落中查找主机名？

Answer 5

只需使用：

.*

即。匹配一切。

您要匹配的内容只是主机名，而不是URL（技术上）。

您无法使用任何结构来明确识别主机名。也许你可以找到以“.com”结尾的东西但是你会错过任何.co.uk，net，.org等。

编辑：

换句话说：如果您删除了类似URL的内容以协议开头的要求，那么您将无法匹配任何内容。取决于您使用正则表达式的内容：

将所有内容视为网址
保留协议要求
Hack检查主机名的公共结尾（例如.com .net .org）并接受你会错过一些。

有关使用Regex进行URL验证的问题

5 个答案: