从字符串中筛选出url

Question

我试图从包含大量特殊字符，空格和网址的字符串中过滤掉网址。我试图使用正则表达式，但它失败了，它管理有时排队网址但输出仍然包含特殊字符和空格，所以我在这里。最好的问候P

string str;
std::ifstream in("c:/Users/Petrus/Documents/History", std::ios::binary);
std::stringstream buffer;

if (!in.is_open()){
    cout << "Failed to open" << endl;
}
else{
    cout << "Opened OK" << endl;
}

buffer << in.rdbuf();

std::string contents(buffer.str());

std::ofstream out("urls.txt");

unsigned counter = 0;
std::regex word_regex(
    R"(^(([^:\/?#]+):)?(//([^\/?#]*))?([^?#]*)(\?([^#]*))?(#(.*))?)",
    std::regex::extended
    );
auto words_begin = std::sregex_iterator(contents.begin(), contents.end(), word_regex);
auto words_end = std::sregex_iterator();

for (std::sregex_iterator i = words_begin; i != words_end; ++i) {
    std::smatch match = *i;
    std::string match_str = match.str();
    for (const auto& res : match) {
        counter++;
        std::cout << counter++ << ": " << res << std::endl;
    }
    std::cout << "  " << match_str << '\n';
}

system("PAUSE");

return 0;

}

Answer 1

简化（和调试）正则表达式的几个步骤：

1. 使用命名群组(?<groupname>regex)来帮助确定哪些内容和访问结果。
2. 仅用于分组＆＃39; ()，(?:regex)使用＆＃34;不记得＆＃34;捕获，也有助于澄清发生了什么

一旦完成，只需进行一些调整即可修复＆＃34;所有输入的正则表达式：

(?<protocol>https?:\/\/)(?:(?<urlroot>[^\/?#\n\s]+))?(?<urlResource>[^?#\n\s]+)?(?<queryString>\?(?:[^#\n\s]*))?(?:#(?<fragment>[^\n\s]))?

• 我将否定的char类更改为不匹配换行符或空格：[^#\n\s]
• 指定urlRoot之后的任何段都是可选的。
• 添加字符串＆＃34; https？＆＃34;将结果限制为有效网址

regex demo输出：



和匹配组（截断但全部在那里）：