正则表达式：如何匹配任何字符串直到空格，或者直到标点符号后跟空格？答案

【问题标题】：Regex: how to match any string until whitespace, or until punctuation followed by whitespace?正则表达式：如何匹配任何字符串直到空格，或者直到标点符号后跟空格？
【发布时间】：2013-05-31 16:27:49
【问题描述】：

我正在尝试编写一个正则表达式，它将在纯文本字符串中查找 URL，以便我可以用锚标记包装它们。我知道有expressions already available for this，但我想创建自己的，主要是因为我想知道它是如何工作的。

如果我的正则表达式失败，它不会破坏任何东西，我的计划是写一些相当简单的东西。到目前为止，这意味着：1）在单词的开头匹配“www”或“http”2）继续匹配直到单词结束。

我可以做到，AFAICT。我有这个：\b(http|www).?[^\s]+

适用于foo www.example.com bar http://www.example.com 等。

问题是，如果我给它foo www.example.com, http://www.example.com，它会认为逗号是 URL 的一部分。

所以，如果我要使用一个表达式来执行此操作，我需要将“...并在您看到空格时停止”更改为“...并在您看到空格或空格之前的一段标点符号时停止”。 我不知道该怎么做。

目前，我正在考虑使用的解决方案只是添加另一个测试 - 匹配 URL，然后在下一行移动任何偷偷摸摸的标点符号。这不是那么优雅。

注意：我是用 PHP 编写的。

旁白：为什么在上面的表达式中用\b 替换\s 似乎不起作用？

预计到达时间：

谢谢大家！

根据 Explosion Pills 的建议，这就是我最终得到的结果：

function add_links( $string ) {
    function replace( $arr ) {
        if ( strncmp( "http", $arr[1], 4) == 0 ) {
            return "<a href=$arr[1]>$arr[1]</a>$arr[2]$arr[3]";
        } else {
            return "<a href=" . "http://" . $arr[1] . ">$arr[1]</a>$arr[2]$arr[3]";
        }
    }
return preg_replace_callback( '/\b((?:http|www).+?)((?!\/)[\p{P}]+)?(\s|$)/x', replace, $string );
}

我添加了一个回调，以便所有链接都以 http:// 开头，并对它处理标点符号的方式做了一些调整。

这可能不是最好的做事方式，但它确实有效。在过去的一段时间里，我学到了很多这方面的知识，但还有很多东西要学！

【问题讨论】：

嗨@Nick，欢迎来到SO。 +1 格式正确的问题 :)
谢谢，谢谢！

标签： php regex url

【解决方案1】：

preg_replace('/
    \b       # Initial word boundary
    (        # Start capture
    (?:      # Non-capture group
    http|www # http or www (alternation)
    )        # end group
    .+?      # reluctant match for at least one character until...
    )        # End capture
    (        # Start capture
    [,.]+    # ...one or more of either a comma or period.
             # add more punctuation as needed
    )?       # End optional capture
    (\s|$) # Followed by either a space character or end of string
    /x', '<a href="\1">\1</a>\2\3'

...可能是你想要的。我认为它仍然不完美，但至少应该可以满足您的需求。

旁白：我认为这是因为\b 也匹配标点符号

【讨论】：

这是解释正则表达式的好方法！

【解决方案2】：

您可以通过positive lookahead assertion 实现此目的：

\b(http:|www\.)(?:[^\s,.!?]|[,.!?](?!\s))+

看here on Regexr。

意思是，匹配任何东西，但空格 ,.!? 或匹配 ,.!?，当它后面没有空格时。

除此之外：word boundary 不是一个字符或一组字符，您不能将其放入字符类中。这是一个零宽度断言，即匹配从单词字符到非单词字符的变化。在这里，我相信，字符类中的\b 被解释为退格字符（字符串转义序列）。

【讨论】：

【解决方案3】：

问题可能出在点上，它在正则表达式中表示“任何字符”。你可能不得不逃避它：

\b(http|www)\.?[^\s]+

那么，问号表示 0 或 1，所以你说的是“可选点”，这不是你想要的（对吗？）：

\b(http|www)\.[^\s]+

现在，它只会匹配 http. 和 www. 所以你需要告诉它你会接受哪些其他字符：

\b(http|www)\.[^\s\w]+

或

\b(http|www)\.[^\sa-zA-Z]+

所以现在你是说，

单词的边界
检查http 或www
打个点
允许任何范围a-z 或A-Z，不允许任何空白字符
其中一个或多个

注意 - 我没有测试过这些，但希望它们是正确的。

除此之外（我的看法） - \s 表示“空白”。 \b 表示“单词边界”。 [] 表示“允许的字符范围”。 ^ 表示“不”。 + 表示“一个或多个”。

因此，当您说[^\b]+ 时，您是在说“不允许此字符范围内的单词边界，并且必须有一个或多个”，因为那里没有其他内容 > 没有其他内容 > 没有或更多 > 它可能会坏掉。

【讨论】：

一个词的边界不是一个字符或一组字符，你不能把它放到一个字符类中。这是一个零宽度断言，即匹配从单词字符到非单词字符的变化。在这里，我相信，字符类中的\b 被解释为退格字符（字符串转义序列）。
点是可选的，因为http后面没有点，所以从http上就不会匹配了。

【解决方案4】：

你应该试试这样的：

\b(http|www).?[\w\.\/]+

【讨论】：