如何判断字符串是否为网址？答案

【问题标题】：How to tell if a string is a web address?如何判断字符串是否为网址？
【发布时间】：2009-02-09 08:55:36
【问题描述】：

确定字符串是否代表网址的最佳方法是什么？我需要让用户在表单中输入网址，但如何验证输入？应该允许用户输入诸如“http://www.google.com”或“www.vg.no”之类的字符串，但不应要求他输入“http://”。此外，还有像“tv2.no”这样的网页更难验证。如果我检查字符串是否包含“www”或“http://”，我有一个强有力的线索，但我仍然不能 100% 确定。我能百分百确定吗？我不这么认为，但也许这里的一些优秀的头脑可以启发我？

【问题讨论】：

如果您寻找“www”，您将毫无头绪。 Blogspot 博客和无数其他网站（包括您现在所在的网站）没有它，它们是有效地址。
你能告诉我们更多关于你的验证将被使用的场景吗？

标签： html url

【解决方案1】：

为随后的表达道歉，但它似乎涵盖了大多数（如果不是全部）案例：

^(?#Protocol)(?:(?:ht|f)tp(?:s?)\:\/\/|~/|/)?(?#Username:Password)(?:\w+:\w+@)?
(?#Subdomains)(?:(?:[-\w]+\.)+(?#TopLevel Domains)
(?:com|org|net|gov|mil|biz|info|mobi|name|aero|jobs|museum|travel|[a-z]{2}))(?#Port)
(?::[\d]{1,5})?(?#Directories)(?:(?:(?:/(?:[-\w~!$+|.,=]|%[a-f\d]{2})+)+|/)+|\?|#)?
(?#Query)(?:(?:\?(?:[-\w~!$+|.,*:]|%[a-f\d{2}])+=(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)
(?:&(?:[-\w~!$+|.,*:]|%[a-f\d{2}])+=(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)*)*(?#Anchor)
(?:#(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})+)?(?#What not to end in)[^.!,:;?]$

【讨论】：

在您的#TopLevelDomains 部分，您可以添加任何适合您需要的内容。我想到了具有 .corp 或 .local 域的本地 LAN。
+1，但这是从哪里来的？有测试套件吗？已经有太多的网站使用糟糕的 URL 验证，有人盲目地从网络论坛复制正则表达式......
别忘了常用的.museum！
+1 用于给出表达式，而不仅仅是典型的“如何使用正则表达式”或类似的通用答案。这就是 StackOverflow 真正有用的原因

【解决方案2】：

首先，尝试使用正则表达式验证输入文本是否是格式正确的 URL。如果检查正常，请尝试 DNS 查找以验证主机是否已知。不要忘记 localhost 或 127.0.0.1 的特殊情况。还要注意由 IP 地址指定的主机。如果这些检查正常，您可能需要尝试实际连接。

如果这些检查失败，您可以修改输入文本并再次检查。可能的修改包括：

添加http://
添加www.
追加.com、.org、.net，随便什么
追加:8080，:8888，随便什么
混合上述任何一种解决方案
也可以尝试在 file:/// 前面添加本地访问权限

【讨论】：

+1 旨在最大限度地提高可用性。此外，如果您在地址栏中输入“巴塞罗那”，某些浏览器等会提供 Google 搜索，这并不总是一件坏事（当然，在 OP 的上下文中这可能是一件坏事 - 他应该解释更好）。
由于安全隐患，我对连接到给定 URL 感到不安，尤其是在发帖人不是 100% 确定自己在做什么的情况下。
我认为如果“连接”意味着只检查成功或失败而不递归下载每个内联图像、javascript、CSS ......它可能是安全的，例如可以使用基于文本的 lynx 执行。
是的，但总有可能有人通过类似 www.site.com/delete.php?all 的东西向受害者隐藏他的 IP，或者人们可以通过 file:///usr/lib /foo 并检查系统上是否存在文件等。
换一种说法：对于像 URL 检查这样小的事情，我不会越过“100% 安全”的界限。还有额外的问题：如果目标站点现在宕机了，十分钟后又回来了怎么办？

【解决方案3】：

请注意，以下两个也是有效的网址。你想允许他们吗？

localhost
208.77.188.166

【讨论】：

【解决方案4】：

我的建议是完全不进行验证。相反，使用基于正则表达式的方法，如果不匹配，您可以发出软警告：“您写的内容看起来不像有效地址。您确定这是您要写的内容吗？”。

绝对不要遵循尝试连接到地址的想法。这将使您面临各种令人讨厌的安全问题，包括将您的网站用于针对其他网站的拒绝服务攻击。这会让你陷入法律纠纷。

进行 DNS 查找的成本很高，但如果您认为物有所值，则可行。

【讨论】：

【解决方案5】：

使用Regular Expression 怎么样？

具体实施方式取决于您使用的语言。

【讨论】：

我想我们都知道正则表达式可用于模式匹配，我认为他要求一种启发式方法以允许接受人类可读的“url”，即 slashdot.org 而不是slashdot.org
slashdot.org 之类的东西不只是正则表达式应该接受的字符串的子集吗？

【解决方案6】：

如果您不打算将其强制为有效的 URI（即，您将方案设为可选），那么唯一真正的选择是尝试通过 HTTP 连接到它。

【讨论】：

【解决方案7】：

您能否从您的应用程序中进行 DNS 查找，这将绕过任何“我不确定它是否是真实地址”。

【讨论】：

【解决方案8】：

合理确定的最简单方法是使用正则表达式，确保您拥有至少两个域名组成部分。这样你就可以处理最糟糕的情况。它应该看起来像这样：

/^(http:\/\/)?(\w+)(\.\w+)+$/

【讨论】：

"wonky donkey" 通过了那个正则表达式，并且不是一个有效的地址（包含一个空格和所有）
不，它没有。点之前的斜线非常重要。你没有任何点。这就是说，你是对的。它不应该是。*？可能更好地使用类似 [[:alpha:]]*
如果有端口号怎么办？如果 URL 中有查询怎么办？使用一些经过测试的正则表达式比尝试自己发明轮子要好得多。
当然。这一切都取决于你想要什么程度的确定性。这就是为什么我没有说我的表达就是解决方案，只是一个简单版本的示例。

【解决方案9】：

您可以使用Zend_Uri的验证功能

【讨论】：

【解决方案10】：

如果您不想要求他们输入 http://（或 https://），那么您真正可以继续的唯一事情是字符串是否包含“。” （我假设您不需要处理“内部”服务器？）。您还可以针对已知域进行验证并检查无效字符，但除此之外几乎没有什么。

至于实际的实现，如果你能忍受，正则表达式将是一条路。毫无疑问，如果你用 Google 来验证 URL 的例子数不胜数。

【讨论】：

【解决方案11】：

我认为最快的方法是通过正则表达式测试。然而，这并不能证明它是否是一个有效的 URL

【讨论】：

【解决方案12】：

请参阅 CPAN 上的 Regexp::Common，尤其是 R::C::URI 和 R::C::URI::http。即使您不能使用模块本身，源代码中也有正则表达式。这是一个好的开始。

【讨论】：