如何从文本中过滤 URL 和电话号码，除非它们以 *** 开头

Question

我在 C# 中使用正则表达式来过滤文本中的所有 URL 和电话号码时遇到问题，除非它们以 *** 开头。如果更容易，星星也可以是其他角色。 例如，排除过滤以 ! 开头的 URL。或在 [] 内。

我正在使用 regex.Replace(text, replacement) 方法。

var rgx = new Regex(pattern, RegexOptions.IgnoreCase);
rgx.Replace(str, replacement ?? "[ URL HIDDEN ]");

所以我设法通过以下方式处理电子邮件：

\b(?<!(\*\*\*))[A-Z0-9._%+\*-]+@[A-Z0-9.-]+\.[A-Z]{2,}\b

我当前用于过滤 URL 的正则表达式：

\b((https?:\/\/(www\.)?)?[-a-zA-Z0-9@:%._\+~#=]{2,256}\.[a-z]{2,6}[-a-zA-Z0-9@:%_\+.~#?&\/=]*)

我目前用于过滤电话号码的正则表达式：

\+?[0-9]{0,4}[\.\-\/)( ]*[0-9]{3,4}[\.\-\/)( ]*[0-9]{3,4}[\.\-\/)( ]*[0-9]{3,4}(?![a-z]{1,4})

我尝试过使用前瞻和后瞻的多种变体，但找不到解决方案。

感谢所有帮助。此外，如果您有任何其他更好的建议或解决方案，我将不胜感激。

Answer 1

由于 URL 尤其是电话模式包含可选部分，甚至可能包含空格，因此单纯的后视是行不通的，或者至少您必须添加几个后视，这会使模式变得笨拙。

我建议使用一种通用方法：匹配并捕获您需要保留的内容，并仅匹配您需要替换的内容。

使用 2 个备选方案动态构建模式：第一个匹配并捕获以 *** 开头的模式，另一个未包含在捕获组中。在 match evaluator 中，检查 Group 1 是否匹配，如果是，则保留，否则替换匹配：

var rxUrl = @"\b(https?://(www\.)?)?[-a-zA-Z0-9@:%._+~#=]{2,256}\.[a-z]{2,6}[-a-zA-Z0-9@:%_+.~#?&/=]*";
var rxPhone = @"\+?[0-9]{0,4}(?:[-./() ]*[0-9]{3,4}){3}(?![a-z]{1,4})";
var rxEmail = @"(?i)\b[A-Z0-9._%+*-]+@[A-Z0-9.-]+\.[A-Z]{2,}\b";
var s = "abc@email.com ***abc@email.com +22 345 456 678 ***+22 345 456 678 http://eee.tt ***http://eee.tt";
var res = Regex.Replace(s, $@"(\*{{3}}{rxUrl})|{rxUrl}", m => m.Groups[1].Success ? m.Value : "[ URL HIDDEN ]");
res = Regex.Replace(res, $@"(\*{{3}}{rxPhone})|{rxPhone}", m => m.Groups[1].Success ? m.Value : "[ PHONE HIDDEN ]");
res = Regex.Replace(res, $@"(\*{{3}}{rxEmail})|{rxEmail}", m => m.Groups[1].Success ? m.Value : "[ EMAIL HIDDEN ]");
Console.WriteLine(res);
// => [ URL HIDDEN ] ***abc@email.com [ PHONE HIDDEN ] ***+22 345 456 678 [ URL HIDDEN ] ***http://eee.tt

请参阅C# demo online。

见The Best Regex Trick Ever。

Answer 2

您可以使用正则表达式进行过滤，也可以使用以下内容对其进行迭代：

List<string> origins = new List<string> { "Do I really start with stars?", "***How about me, do I start with stars?" };
foreach (string item in origins)
{
    if (item.StartsWith("***"))
    {
    Console.WriteLine("item " + item + " starts with ***");
    }
    else
    {
    Console.WriteLine("item " + item + " does NOT start with ***");
    }
}
Console.ReadLine();

在非常低的级别使用正则表达式：^[^*]{3,3}.*

***123-456-7890 (does not qualify)
123-456-7890 (does qualify)
http://blahblahblah.com (does qualify)
***http://blahblahblah.com (does not qualify)