如何匹配 URL 但从匹配项中排除终止符？答案

【问题标题】：How can I match a URL but exclude terminators from the match?如何匹配 URL 但从匹配项中排除终止符？
【发布时间】：2011-03-27 18:07:31
【问题描述】：

我想匹配文本中的 url 并用锚标记替换它们，但我想排除一些终止符，就像 Twitter 如何匹配推文中的 url。

到目前为止，我已经掌握了这个，但显然效果不太好。

(http[s]?\:\/\/[a-zA-Z0-9\-\.]+\.[a-zA-Z]{2,3}(\/\S*)?)

编辑：一些示例网址。在以下所有情况下，我只想匹配“http://www.example.com”

http://www.example.com.

http://www.example.com:

“http://www.example.com”

http://www.example.com;

http://www.example.com!

[http://www.example.com]

{http://www.example.com}

http://www.example.com*

【问题讨论】：

您能否详细说明您的示例？我看到右括号和大括号，但没有开口。另外大括号和括号有什么区别？
我不确定` has a special meaning inside [ ]`（至少在 perl/python 中没有，我不知道 ruby）。你能发布你的正则表达式确实匹配的部分吗？
使用URI，而不是正则表达式。

标签： ruby regex

【解决方案1】：

我去年研究了这个问题并开发了一个您可能想要查看的解决方案 - 请参阅：URL Linkification (HTTP/FTP) 此链接是 Javascript 解决方案的测试页面，其中包含许多难以链接的 URL 示例。

我为 PHP 和 Javascript 编写的正则表达式解决方案（但可以很容易地转换为 Ruby）并不简单（但事实证明也不是问题。）有关更多信息，我建议您阅读：

The Problem With URLs 来自 Jeff Atwood，
An Improved Liberal, Accurate Regex Pattern for Matching URLs 来自 John Gruber

如果您想正确执行此操作，则必须阅读 Jeff 博客文章后的 cmets...

【讨论】：

【解决方案2】：

Ruby 的 URI 模块有一个 extract 方法，用于从文本中解析出 URL。通过解析返回的值，您可以利用模块中的启发式方法从 URL 中提取方案和主机信息，避免重新发明轮子。

text = '
http://www.example.com.
http://www.example.com:
"http://www.example.com"
http://www.example.com;
http://www.example.com!
[http://www.example.com]
{http://www.example.com}
http://www.example.com*
http://www.example.com/foo/bar?q=foobar
http://www.example.com:81
'

require 'uri'

puts URI::extract(text).map{ |u| uri = URI.parse(u); "#{ uri.scheme }://#{ uri.host[/(^.+?)\.?$/, 1] }" }

# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com
# >> http://www.example.com

唯一的问题是句点 '.' 是主机名中的合法字符，因此 URI#host 不会删除它。那些在重新构建 URL 的 map 语句中被捕获。请注意，URI 正在剥离路径和查询信息。

【讨论】：

【解决方案3】：

一个实用且易于理解的解决方案是：

regex = %r!"(https?://[-.\w]+\.\w{2,6})"!

一些注意事项：

使用 %r 我们可以选择开始和结束分隔符。在这种情况下，我使用了感叹号，因为我想在正则表达式中使用未转义的斜杠。
可选的量词（即“?”）仅绑定到前面的表达式，在本例中为“s”。无需将“s”放在字符类[s]? 中。和s?一样。
在字符类[-.\w] 中，我们不需要转义破折号和点来使它们与点和破折号字面意思匹配。但是，破折号应该排在第一位，而不是表示范围。
\w 匹配 Ruby 中的 [A-Za-z0-9_]。这并不是 URL 字符的完整定义，但结合破折号和点可能足以满足我们的需求。
顶级域的长度在 2 到 6 个字符之间，例如'.se' 和 '.travel'
我不确定您所说的 我想排除一些终止符是什么意思，但是这个正则表达式只匹配您示例中想要的那个。
我们想使用第一个捕获组，例如像这样：

如果输入 =~ %r!"(https?://[-.\w]+.\w{2,6})"!

匹配 = $~[1]

其他

匹配 = ""

结束

【讨论】：

【解决方案4】：

这个呢？

%r|https?://[-\w.]*\w|

【讨论】：