为什么使用适当的协议捕获URL会失败？

Question

我开始编写一个正则表达式，试图捕获尽可能多的URL。然而，由于某种原因，我不能让它工作

Regex:

^(https?|ftps?|mailto|gopher|telnet|www\.)\:.+?\/(?=\s)

演示：Regex101

感谢您的帮助。Thx提前

Answer 1

您的模式\/(?=\s)要求URL以斜杠结尾。您可以通过在测试代码段中任何URL的末尾添加斜杠来检查这一点

没有真正的理由这样做-您可以删除\/，并允许URL以任何后跟空格的字符结尾

但是，除此之外，您还应该注意空格的功能不是很强大。如果URL出现在文本中，则后面可能会有标点或括号，标点或括号在技术上是有效的URL字符，您的筛选器（减去\/）将包括这些字符，即使它们可能不是URL的一部分

在这些情况下，显然存在一些歧义，但在URL末尾排除任何标点符号可能是更好的启发

（如果你想变得真的老练，你可以像GitHub的markdown解析器那样，在的末尾加上右括号，只要它们与URL中的左括号匹配。这有助于识别像(See https://en.wikipedia.org/wiki/Something_(disambiguation))这样的上下文中的链接。但仅使用正则表达式是不可行的，需要一些额外的处理。）

Answer 2

你可以用

^(?:(?:https?|ftps?|gopher|telnet):\/\/|www\.|mailto:)\S+

见regex demo和its graph：

详细信息

• ^-字符串的开头
• (?:(?:https?|ftps?|gopher|telnet):\/\/|www\.|mailto:)-任何一种
  • (?:https?|ftps?|gopher|telnet):\/\/-http、https、ftp、ftps、gopher或telnet然后://子串
  • |-或
  • www\.-www.子串
  • |-或
  • mailto:-mailto:子串
• \S+-1个或多个非空白字符