正则表达式仅匹配包含特定路径的 url

Question

我正在使用以下正则表达式

(http|ftp|https)://([\w_-]+(?:(?:\.[\w_-]+)+))([\w.,@?^=%&:/~+#-]*[\w@?^=%&/~+#-])?

它向我显示了一个 url，但我只想显示包含

的 URL

/video/hd/

上述正则表达式的以下更正没有正确处理斜线

((?:https\:\/\/)|(?:http\:\/\/)|(?:www\.))?([a-zA-Z0-9\-\.]+\.[a-zA-Z]{2,3}(?:\??)[a-zA-Z0-9\-\._\?\,\'\/\\\+&%\$#\=~]+)

Answer 1

您说只使用整个匹配项，并且正则表达式不包含反向引用。因此，我们可以将正则表达式中的所有捕获组（()）替换为非捕获组（(?:)）。其中一些组是多余的，http|https 可以简化为https?。这一起给了我们

(?:https?|ftp)://[\w_-]+(?:\.[\w_-]+)+(?:[\w.,@?^=%&:/~+#-]*[\w@?^=%&/~+#-])?

_ 不允许在主机名中：

(?:https?|ftp)://[\w-]+(?:\.[\w-]+)+(?:[\w.,@?^=%&:/~+#-]*[\w@?^=%&/~+#-])?

从技术上讲，- 不能出现在主机名的开头或结尾，但我们会忽略它。您的正则表达式也不允许非默认端口或 IPv6 主机，但我们也会忽略这一点。

你的正则表达式的最后一部分匹配的内容（大概是为了匹配路径、查询字符串和锚点）可以与主机名重叠（\w 和 - 都在两个字符类中） .我们可以通过在主机名后使用/ 或? 分隔符来解决此问题：

(?:https?|ftp)://[\w-]+(?:\.[\w-]+)+(?:[/?][\w.,@?^=%&:/~+#-]*[\w@?^=%&/~+#-])?

---

现在我们可以开始查看您的附加要求：URL 应包含 /video/hd/。大概这个字符串应该出现在路径的某个地方。我们可以这样编码：

(?:https?|ftp)://[\w-]+(?:\.[\w-]+)+/(?:[\w.,@^=%&:/~+-]*/)?video/hd/(?:[\w.,@?^=%&:/~+#-]*[\w@?^=%&/~+#-])?

我们现在总是需要在主机名后面加上 /，而不是匹配可选的分隔符 / 或 ?。这个/ 后面必须直接跟video/hd/ 或0 个或多个路径字符和另一个/，然后跟video/hd/。 （路径字符集不包括?（将启动查询字符串）或#（将启动锚点）。）

和以前一样，在/video/hd/ 之后可以有更多路径组件的最后一部分、一个查询字符串和一个锚点（都是可选的）。

Answer 2

首先，您需要一个正则表达式来匹配 URL（无论是 http、https...）

(([A-Za-z]{3,9}:(?:\/\/)?)(?:[-;:&=\+\$,\w]+@)?[A-Za-z0-9.-]+|(?:www.|[-;:&=\+\$,\w]+@)[A-Za-z0-9.-]+)((?:\/[\+~%\/.\w-_]*)?\??(?:[-\+=&;%@.\w_]*)#?(?:[\w]*))

一旦你得到它，你需要选择它们而不是“消耗”它们。您可以使用前瞻来执行此操作，即断言当前位置之后的正则表达式是例如foo:

(?=foo)

当然你会用我写的第一个正则表达式替换foo。

此时，您知道您选择了一个 URL；现在您只需将搜索限制为包含 /video/hd 的 URL：

.*\/video\/hd\/.*

所以完整的正则表达式是

(?=(([A-Za-z]{3,9}:(?:\/\/)?)(?:[-;:&=\+\$,\w]+@)?[A-Za-z0-9.-]+|(?:www.|[-;:&=\+\$,\w]+@)[A-Za-z0-9.-]+)((?:\/[\+~%\/.\w-_]*)?\??(?:[-\+=&;%@.\w_]*)#?(?:[\w]*))).*\/video\/hd\/.*

您可以通过现场演示来测试它here。