如何编码正确的URI正则表达式

Question

使用不同的URI模式尝试找出正确的正则表达式来覆盖所有这些，例如：

1）href =“http://site.example.com/category/ 和 2）href =“http://site.example.com/en/page/

使用href =“。+ .. + .. + /（。+？）”尊重第一个网址，在第二个网址中跳过页面。

如何在href =“http://site.example.com/？

之后阅读所有内容

Answer 1

这应该这样做：

[^\./]+\.[^\./]+\.[^\./]+(?:/(.*))?

那是：

[^\./]+ =（.和/以外的任何内容）
\. =点
...? = ...的零或一次出现 (?:...)? =零{或...之一，这是多个字符，但没有捕获...。
(?:/(.*))? =捕获最后/之后的所有内容（如果有的话）。

经过测试 here 。

Answer 2

正则表达式中的

.表示any character (except \n newline)，+表示one or more of the previous expression，?表示0 or 1 of previous expression; also forces minimal matching when an expression might match several strings within a search string（例如http://regexlib.com/CheatSheet.aspx）。
文字点与\.匹配。
所以你的正则表达式归结为at least five signs, a slash sign, at least one sign, but you don't have to。
这意味着它甚至匹配http:/。并且 匹配您的两个示例（使用egrep和grep -P进行测试），但仅当您将href="替换为href=\"并离开时最后"出局。否则它将不匹配。
你可能想要的是：

.+\..+\..+/.*

或者，如果您想确保只匹配网址，可以考虑

http[s]?://([a-z]+\.)?[a-z]+\.[a-z]+/?[a-z/]?

作为固定部分的http[s]?:启动表达式（如果ref来自安全连接，则为s）。 [a-z]表示match only lowercase letters。由于您可能偶然发现了名称中没有像stackoverflow.com这样的子域名的网站，因此第一个[a-z]+\.会被标记。 url斜线的结尾也是如此。 [a-z/]表示match only lowercase letters and slashes。