Question

对于我正在开发的应用程序，我需要一个Perl脚本，它循环遍历一个大量的CSV文件，并确保每一行包含一个有效的URI。我之前已经问过一个关于解析CSV文件的问题，我已经开始使用Text::CSV来让我的生活更轻松。现在我遇到了确保URI有效的问题。

由于我的应用程序的性质，URI不需要采用完整形式的

protocol://username:password@domain.extension/request?vars=values

相反，我只对此请求部分感兴趣。对于一般网站，这可以是.com，.edu等之后的任何内容。

我目前有以下Perl脚本：

if($_ !~ /^(?:[a-z0-9-._~!$&'()*+,;=:/?@]|%[0-9A-F]{2})*$/i){
    print "Invalid URL format";
    exit;
} else {
    /* stuff */
}

正则表达式应该是相当直接的。允许请求包含一小组符号（[a-z0-9-._~!$&'()*+,;=:/?@]）中的一个，或者它可以包含百分号（%），后跟两个十六进制数字。这些模式中的任何一个都可以无限重复。

当我运行此脚本时，我收到以下错误：

Number found where operator expected at ./301rules.pl line 58, near "%[0"
        (Missing operator before 0?)
Bareword found where operator expected at ./301rules.pl line 58, near "9A"
        (Missing operator before A?)
Bareword found where operator expected at ./301rules.pl line 58, near "$/i"
        (Missing operator before i?)
syntax error at ./301rules.pl line 58, near "%[0"

很明显，我的正则表达式中的某些内容需要被转义，但我不确定是什么。我尝试转义每个可能的符号来创建以下正则表达式：

if($_ !~ /^(?:[a-z0-9\-\.\_\~\!\$\&\'\(\)\*\+\,\;\=\:\/\?\@]|%[0-9A-F]{2})*$/i){

然而，当我这样做时，它只允许每个字符串通过测试，即使是我知道无效的字符串，例如te%st或é

那么有没有人有Perl正则表达式的经验，知道我需要逃避什么以及我不应该逃避什么？有了19个不同的符号，我不想尝试所有2 ^ 19 = 524288的可能性。

编辑 - 投票结束。我发现问题实际上存在于此循环之上，尽管我还不完全理解为什么。

我有：

if( $_ == "" ){
    next;
}
/* regex conditional from above */

无论出于何种原因，尽管明确存储在$_中的数据，但它仍然继续评估为真并进入下一次迭代。我会弄清楚为什么会这样，但是现在这个正则表达式可以正常运行。

Answer 1

在URI module的文档中，我发现了以下内容：

使用REGEXP PARSING URI

作为这个模块的替代品，   以下（官方）定期   表达式可用于解码a   URI：
    my($scheme, $authority, $path,
    $query, $fragment) =   $uri =~
    m|(?:([^:/?#]+):)?(?://([^/?#]*))?([^?#]*)(?:\?([^#]*))?(?:#(.*))?|;
URI :: Split模块提供了函数uri_split（）作为可读的替代方案。

但我认为Regexp::Common::URI可能是HTTP URI语法验证的理想解决方案。

use Regexp::Common qw /URI/;
while (<>) {
    /$RE{URI}{HTTP}/  and  print "Contains an HTTP URI.\n";
}

任何由达米安写的并由阿比盖尔维护的东西都必须受到启发，伟大，疯狂或以上所有。（我的意思是尽可能高的。）

Answer 2

我不知道你是如何得到你的第一个正则表达式，但我会尽力帮助你解决这个问题。你只需要逃避正则表达式中具有特殊含义的字符 - 从你的正则表达式，它们是： - ，。，$，（，），*，/，所以正则表达式应该是这样的：

if($_ !~ /^(?:[a-z0-9\-\._~!\$&'\(\)\*+,;=:\/?@]|%[0-9A-F]{2})*$/i){

我并不完全知道?:试图在那里实现什么，但是你的第一个字符类（第一个[]之间的表达式）没有任何乘数 - 也许它应该跟一个*，a +或a？另外，我认为|符号意味着在您的第一个字符类和第or前面的第二个字符类之间执行% - 正如它现在看起来那样，它是在它之间进行的第一个字符类和%符号。它可能应该像|(%[0-9A-F]{2}))*$

Answer 3

您应该使用rfc regexp来检查每个可能的字符。看this

使用Perl正则表达式确定URI是否有效

3 个答案: