从php中的字符串中提取一个或多个url

Question

我正在尝试从php中的纯文本字符串中提取一个或多个url。这是一些例子

"mydomain.com has hit the headlines again"

提取“http://www.mydomain.com”

"this is 1 domain.com and this is anotherdomain.co.uk but sometimes http://thirddomain.net"

提取“http://www.domain.com”，“http://www.anotherdomain.co.uk”，“http://www.thirddomain.net”

我需要两种特殊情况 - 我正在考虑正则表达式，但不完全理解它们 1）所有符号如'（'或'）'和空格（不包括连字符）都需要删除 2）单词dot需要用符号替换。 ，所以dot com将是.com

p.s我知道PHP validation/regex for URL，但无法解决如何使用它来实现最终目标。

由于

Answer 1

在这种情况下，很难获得100％正确的结果。 根据输入的不同，您可能会尝试强制匹配最常用的第一级域名（添加更多内容）：

(?:https?://)?[a-zA-Z0-9\-\.]+\.(?:com|org|net|biz|edu|uk|ly|gov)\b

您可能需要删除单词边界（\ b）以获得不同的结果。

你可以在这里测试一下：

http://bit.ly/dlrgzQ

编辑：关于你的案件 1）从什么中移除？ 2）这可以在php中完成：

 $result = preg_replace('/\s+dot\s+(?=(com|org|net|biz|edu|and_ect))/', '.', $input);

但我没有什么重要的注意事项：

• 此正则表达式更像是指导，而不是实际的生产代码
• 使用这种松散的文本规则至少是古怪的 - 添加更多特殊情况会使它更加疯狂。考虑一下 - 即使stackoverflow也不这样做：

  

http://example.org

     

但不是！

     

example.org

• 如果你说你想要达到的目标会更容易吗？因为如果你想在WWW上某处处理某种文本，那么这是非常糟糕的主意！你不应该自己这样做（正如你所说 - 你不懂正则表达式！），因为这只是XSS蠕虫的能量。更好地考虑某种Markdown语言或BBCore或其他。

也对：http://htmlpurifier.org/

感兴趣