从字符串中过滤掉 url

Question

我试图从包含大量特殊字符、空格和 url 的字符串中过滤掉 url。我曾尝试使用正则表达式，但它失败了，它有时会设法排列 url，但输出仍然包含特殊字符和空格，所以我在这里。最好的问候P

string str;
std::ifstream in("c:/Users/Petrus/Documents/History", std::ios::binary);
std::stringstream buffer;

if (!in.is_open()){
    cout << "Failed to open" << endl;
}
else{
    cout << "Opened OK" << endl;
}

buffer << in.rdbuf();

std::string contents(buffer.str());

std::ofstream out("urls.txt");

unsigned counter = 0;
std::regex word_regex(
    R"(^(([^:\/?#]+):)?(//([^\/?#]*))?([^?#]*)(\?([^#]*))?(#(.*))?)",
    std::regex::extended
    );
auto words_begin = std::sregex_iterator(contents.begin(), contents.end(), word_regex);
auto words_end = std::sregex_iterator();

for (std::sregex_iterator i = words_begin; i != words_end; ++i) {
    std::smatch match = *i;
    std::string match_str = match.str();
    for (const auto& res : match) {
        counter++;
        std::cout << counter++ << ": " << res << std::endl;
    }
    std::cout << "  " << match_str << '\n';
}

system("PAUSE");

return 0;

}

Answer 1

简化（和调试）正则表达式的几个步骤：

1. 使用命名组(?<groupname>regex) 来帮助识别什么是什么并访问结果。
2. 对于“仅分组”()，使用 (?:regex) 来“不记得”捕获，也有助于澄清发生了什么

完成后，只需对您的所有输入进行一些调整即可“修复”此正则表达式：

(?<protocol>https?:\/\/)(?:(?<urlroot>[^\/?#\n\s]+))?(?<urlResource>[^?#\n\s]+)?(?<queryString>\?(?:[^#\n\s]*))?(?:#(?<fragment>[^\n\s]))?

• 我将否定字符类更改为不匹配换行符或空格：[^#\n\s]
• 指定 urlRoot 之后的任何段都是可选的。
• 添加了字符串“https？”将结果限制为有效网址

regex demo 输出：

和匹配组（被截断但都在那里）：