首页 / 知识

关于文本匹配：如何匹配文本中的URI？

2023-04-16 12:54:00

How to match URIs in text?

如何在文本块中发现URI？

这样做的目的是将这种文本运行转换为链接。如果仅考虑http和ftp方案，这将非常简单。但是，我猜测一般问题(考虑tel，mailto和其他URI方案)要复杂得多(如果可能的话)。

如果可能，我希望使用C＃解决方案。谢谢。

正则表达式可能证明是一个很好的起点，尽管众所周知，URI和URL很难与单个模式匹配。

为了说明这一点，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/]*))*

这将匹配
http://example.com/foo/bar-baz

和
ftp://192.168.0.1/foo/file.txt

但至少会导致以下问题：

mailto:support@stackoverflow.com(不匹配-没有//，但存在@)
ftp://192.168.0.1.2(匹配，但数量太多，因此不是有效的URI)
ftp://1000.120.0.1(匹配，但是IP地址需要0到255之间的数字，因此它不是有效的URI)
nonexistantscheme://obvious.false.positive
http://www.google.com/search?q=uri+regular+expression(匹配，但查询不是
我认为这是80:20规则的情况。如果您想抓住大多数东西，那么我建议您找一个合适的正则表达式，如果您自己不能自己写的话。

如果您正在查看从相当可控的来源(例如机器生成的)中提取的文字，那么这将是最好的选择。

如果您绝对肯定要捕获遇到的每个URI，并且正在查看文本，那么我想我会寻找其中带有冒号的任何单词，例如\\s(\\w:\\S+)\\s。一旦找到合适的URI候选者，然后将其传递给所使用的任何库的URI类中的真实URI解析器。

如果您对为什么很难编写URI模式感兴趣，我想可能是URI的定义是使用Type-2语法完成的，而正则表达式只能解析Type-3语法中的语言。

某些内容是否为URI取决于上下文。通常，它们唯一的共同点是它们以" scheme_name："开头。方案名称可以是任何名称(以合法字符为准)。但是其他字符串也包含冒号而不是URI。

因此，您需要确定感兴趣的方案。通常，对于您关心的每种方案，您都可以搜索" scheme_name："，然后是字符，直到空格为止。不幸的是，URI可以包含空格，因此，如果将它们嵌入文本中，则可能会造成歧义。您无法采取任何措施解决歧义-撰写文本的人将不得不对其进行修复。 URI可以选择包含在<>中。不过，大多数人都不会这样做，因此认识到这种格式只会偶尔有所帮助。

URI的Wikipedia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是一个噩梦-即使您以某种方式找到或创建了正确的URI，也将非常庞大且难以注释和维护。幸运的是，如果您正在做的是突出显示链接，那么您可能不需要关心奇数假阳性，因此您无需进行验证。只需查找" http：//"，" mailto：\ S * @"等]

Ubiquity的URL工具执行以下操作：

1
2
3
4
5
6
7
8
9
10

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;
},

如果您还希望匹配" something.tld"，这并不容易，因为普通文本将具有该模式的许多实例，但是如果您仅希望匹配以方案开头的URI，则可以尝试使用此正则表达式(对不起，我不知道如何将其插入C＃)