如何在文本中匹配URI？

如何在文本块中发现URI

我们的想法是将这些文本转换成链接。如果只考虑http（s）和ftp（s）方案，这是非常简单的；然而，我猜想一般的问题（考虑到tel、mailto和其他URI方案）要复杂得多（如果可能的话）

---

如果可能的话，我更喜欢C#的解决方案。谢谢。

对于许多协议，您可以只搜索“/”，不带引号。但是，不确定其他内容。

某个内容是否是URI取决于上下文。一般来说，他们唯一的共同点是他们开始使用“scheme_name:”。方案名称可以是任何内容（取决于合法字符）。但其他字符串也包含冒号，而不是URI

所以你需要决定你感兴趣的方案。通常，对于您关心的每个方案，您都可以搜索“scheme_name:”，后跟最多一个空格的字符。不幸的是，URI可能包含空格，因此如果它们嵌入到文本中，则可能会产生歧义。你无法解决歧义——写这篇文章的人必须修正它。URI可以选择包含在中。不过，大多数人不会这样做，所以认识到这种格式只会偶尔有所帮助

关于URI的维基百科文章列出了相关的RFC

---

[编辑添加：使用正则表达式完全验证URI是一场噩梦-即使您以某种方式找到或创建了一个正确的URI，它也会非常大，并且很难进行注释和维护。幸运的是，如果您所做的只是突出显示链接，您可能不关心奇怪的误报，因此不需要验证。只需查看r“http://”、“mailto:\S*@”等]

以下是一段代码片段，其中包含了各种需要的正则表达式：

---

如果您还想匹配“something.tld”，这并不容易，因为普通文本将有许多该模式的实例，但是如果您只想匹配以scheme开头的URI，可以尝试使用此正则表达式（抱歉，我不知道如何将其插入C#）

---

您可以在那里添加更多的方案，它将匹配方案，直到下一个空白字符，考虑到最后一个字符不是无效的（例如，在非常常见的字符串“.”）

下面的perl regexp应该执行此操作。c是否有perl regexp

/\w+:\/\/[\w][\w\.\/]*/

---

正则表达式可能是一个很好的起点，尽管URI和URL很难与单一模式匹配

举例来说，最简单的模式看起来相当复杂（用Perl 5表示法）：

\w+：\/{2}[\d\w-]+（\.[\d\w-]+）*（？：（？：\/[^\s/]*））*

这会匹配的

http://example.com/foo/bar-baz

及

ftp://192.168.0.1/foo/file.txt

但至少会给以下方面带来问题：

• mailto:support@stackoverflow.com

  （无匹配-无

  /

  ，但存在

  @

  ）

• ftp://192.168.0.1.2

  （匹配，但数字太多，因此它不是有效的URI）

• ftp://1000.120.0.1

  （匹配，但IP地址需要介于0和255之间的数字，因此它不是有效的URI）

• 不存在antscheme://obvious.false.positive

• http://www.google.com/search?q=uri+正则+表达式（匹配，但查询不匹配
  我认为这是80:20规则的一个例子。如果你想抓住大多数东西，那么我会按照建议去做，如果你不能自己编写一个正则表达式，那么我会找到一个合适的正则表达式

如果您看到的是从相当受控的来源（例如机器生成的）提取的文本，那么这将是最好的操作方法

如果您必须绝对准确地捕获您遇到的每个URI，并且您正在查看来自野外的文本，那么我想我会查找任何带有冒号的单词，例如

\s（\w:\s+）\s

。一旦您找到了一个合适的URI候选，然后将其传递给您正在使用的任何库的URI类中的真正的URI解析器

如果您对编写URI模式如此困难的原因感兴趣，那么我想可能是URI的定义是用a完成的，而正则表达式只能从中解析语言。

执行以下操作：

findURLs: function(text) {
    var urls = [];
    var matches = text.match(/(\S+\.{1}[^\s\,\.\!]+)/g);
    if (matches) {
        for each (var match in matches) {
            urls.push(match);
        }
    }
    return urls;
},

---

在维基百科上可以找到一个列表。我同意在网上搜索一个预制的正则表达式可能是最好的主意。你可以看看的源代码。

findURLs: function(text) {
    var urls = [];
    var matches = text.match(/(\S+\.{1}[^\s\,\.\!]+)/g);
    if (matches) {
        for each (var match in matches) {
            urls.push(match);
        }
    }
    return urls;
},