使用正则表达式在 html 中查找文件的 url

Question

我为自己设定了一个有点雄心勃勃的第一项任务，即学习正则表达式（以及与我要解决的问题相关的任务）。我需要在一个大的 html 字符串中找到任何以 .m4v 结尾的 url 实例。

我的第一次尝试是 jpg 文件

http.*jpg

乍一看这当然是正确的，但当然会返回如下内容：

http://domain.com/page.html" title="Misc"><img src="http://domain.com/image.jpg

理论上与表达式匹配。所以真的，我需要在http.*m4v 中添加一些内容，上面写着“只有 http 和 m4v 之间最近的实例”。有什么想法吗？

Answer 1

如您所见，如下表达式是贪婪的：

http:.*\.jpg

这意味着它在满足表达式的同时读取尽可能多的输入。

“*”运算符使它变得贪婪。有一种定义明确的正则表达式技术可以使这种非贪婪...使用“？” “*”之后的修饰符。

http:.*?\.jpg

现在它将尽可能少地匹配，同时仍然满足表达式（即它将在​​第一次出现“.jpg”时停止搜索。

当然，如果您在 URL 中间有一个 .jpg，例如：

http://mydomain.com/some.jpg-folder/foo.jpg

它不会匹配完整的 URL。

您需要将 URL 的结尾定义为不能被视为 URL 一部分的内容，例如空格或换行符，或者（如果 URL 嵌套在括号中），结束插入语。这不能通过一个小的正则表达式来解决，但是如果它包含在书面语言中，因为 URL 通常是模棱两可的。

举个例子：

At this page, http://mysite.com/puppy.html, there's a cute little puppy dog.

逗号在技术上可以是 URL 的一部分。在寻找书面文本中的 URL 时，您必须处理很多这样的歧义，并且由于歧义而很难没有错误。

编辑 |这是 PHP 中的正则表达式示例，它是一种快速而肮脏的解决方案，仅在需要时才贪婪，并且 尝试 处理英语：

<?php

$str = "Checkout http://www.foo.com/test?items=bat,ball, for info about bats and balls";

preg_match('/https?:\/\/([a-zA-Z0-9][a-zA-Z0-9-]*)(\.[a-zA-Z0-9-]+)*((\/[^\s]*)(?=[\s\.,;!\?]))\b/i', $str, $matches);

var_dump($matches);

它输出：

array(5) {
  [0]=>
  string(38) "http://www.foo.com/test?items=bat,ball"
  [1]=>
  string(3) "www"
  [2]=>
  string(4) ".com"
  [3]=>
  string(20) "/test?items=bat,ball"
  [4]=>
  string(20) "/test?items=bat,ball"
}

解释在cmets中。

Answer 2

Perl、ruby、php 和 javascript 都应该与这些兼容：

/(http:\/\/(?:(?:(?!\http:\/\/).))+\.jpg)/

网址将存储在匹配的组中。针对"http://a.com/b.jpg-folder/c.jpg @987654321@" 进行了测试，它可以正常工作而不会太贪心。