在Ruby中提取字符串中的所有url答案

【问题标题】：Extract all urls inside a string in Ruby在Ruby中提取字符串中的所有url
【发布时间】：2011-01-18 20:13:27
【问题描述】：

我有一些文本内容，其中包含 URL 列表。

我正在尝试抓取所有 URL 并将它们放入一个数组中。

我有这个代码

content = "Here is the list of URLs: http://www.google.com http://www.google.com/index.html"

urls = content.scan(/^(http|https):\/\/[a-z0-9]+([\-\.]{1}[a-z0-9]+)*\.[a-z]{2,5}(([0-9]{1,5})?\/.*)?$/ix)

我试图得到的最终结果是：

['http://www.google.com', 'http://www.google.com/index.html']

上面的代码似乎不能正常工作。有谁知道我做错了什么？

谢谢

【问题讨论】：

标签： ruby regex url

【解决方案1】：

简单：

ruby-1.9.2-p136 :006 > require 'uri'
ruby-1.9.2-p136 :006 > URI.extract(content, ['http', 'https'])
  => ["http://www.google.com", "http://www.google.com/index.html"]

【讨论】：

这应该被标记为答案。更优雅。

【解决方案2】：

一种不同的方法，来自于完美的敌人的思想学派：

urls = content.split(/\s+/).find_all { |u| u =~ /^https?:/ }

【讨论】：

我会给你简单的。这很可能就是所需要的。
我从那所学校毕业了！
这种方法会遗漏很多有效的网址，并错误地选择很多无效的网址。

【解决方案3】：

我没有检查你的正则表达式的语法，但是 String.scan 会产生一个数组，它的每个成员都是你的正则表达式匹配的组的数组。所以我希望结果是：

[['http', '.google.com'], ...]

如果你想要你给出的格式，你需要不匹配的组/(?:stuff)/。

编辑（查看正则表达式）：此外，您的正则表达式看起来确实有点错误。您不希望开始和结束锚点（^ 和 $），因为您不希望匹配位于 content 的开始和结束位置。其次，如果您的 ([0-9]{1,5})? 正在尝试捕获端口号，我认为您缺少一个冒号来将域与端口分开。

播放后进一步编辑：我想你想要这样的东西：

content = "Here is the list of URLs: http://www.google.com http://www.google.com/index.html http://example.com:3000/foo"
urls = content.scan(/(?:http|https):\/\/[a-z0-9]+(?:[\-\.]{1}[a-z0-9]+)*\.[a-z]{2,5}(?:(?::[0-9]{1,5})?\/[^\s]*)?/ix)
# => ["http://www.google.com", "http://www.google.com/index.html", "http://example.com:3000/foo"]

...但请注意，它不会匹配纯 IP 地址 URL（如 http://127.0.0.1），因为 TLD 的 [a-z]{2,5}。

【讨论】：

【解决方案4】：

只是为了您的兴趣：

Ruby 有一个 URI 模块，它实现了一个正则表达式来执行这些操作：

require "uri"

uris_you_want_to_grap = ['ftp','http','https','ftp','mailto','see']

html_string.scan(URI.regexp(uris_you_want_to_grap)) do |*matches|
  urls << $&
end

欲了解更多信息，请访问 Ruby 参考：URI

【讨论】：