logo标签列表

如何在文本中匹配URI？

uritextmatching
3

如何在文本块中识别URI？

这个想法是将这些文本转化为链接。如果只考虑http（s）和ftp（s）协议，这很容易实现; 但是，我猜想一般问题（考虑tel，mailto和其他URI协议）会更加复杂（如果可能的话）。

如果可能的话，我希望使用C#解决方案。谢谢。

在维基百科上可以找到官方IANA注册URI方案的列表。我同意在网上搜索预制正则表达式可能是最好的想法。 - Aleksi Yrttiaho
你可以看一下Regexp::Common::URI的源代码。 - rami
7个回答
7
正则表达式可能是一个很好的起点，尽管URI和URL非常难以用单个模式匹配。
举个例子，最简单的模式看起来相当复杂（使用Perl 5符号表示）：

\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，但至少会对以下内容造成问题：
  • mailto:support@stackoverflow.com（不匹配-没有//，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）
  • 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法则的一个例子。如果你想捕捉大部分内容，那么我建议找到一个好的正则表达式，如果你自己写不出来的话。

如果你正在查看从相当受控制的来源（例如机器生成的）提取的文本，则这将是最佳操作方法。

如果您绝对必须捕获遇到的每个URI，并且您正在查看来自网络的文本，则我认为我会寻找任何带有冒号的单词，例如\s(\w:\S+)\s。一旦您有了适合作为URI的候选项，然后将其传递给您正在使用的库的URI类中的真实URI解析器。
如果您想知道为什么编写URI模式如此困难，那么我认为这是因为URI的定义是使用Type-2 grammar完成的，而正则表达式只能解析Type-3 grammars语言。
1

某物是否为URI取决于上下文。一般来说，它们唯一的共同点是以"scheme_name:"开头。方案名称可以是任何内容（符合法律字符）。但其他字符串也包含有冒号而不是URI。

所以你需要决定你感兴趣的方案。通常情况下，你可以搜索每个你关心的方案中跟随空格的字符，然后在其后添加"scheme_name:"。不幸的是，URI可能包含空格，因此如果它们嵌入到文本中，则有潜在的歧义。你无法解决这种歧义-撰写文本的人必须修复它。URI可以选择用<>括起来。大多数人不会这样做，因此识别这种格式只会偶尔有所帮助。

维基百科上的URI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非常困难-即使你找到或创建一个正确的，它也会非常庞大，难以评论和维护。幸运的是，如果你只是突出显示链接，你可能不需要验证偶尔的误报，因此你不需要验证。只需搜索"http://"、"mailto:\S*@"等即可]

0

如果你想匹配"something.tld"，那就不太容易了，因为普通文本中会有很多这种模式的实例。但是，如果你只想匹配以一个scheme开头的URI，你可以尝试使用这个正则表达式（抱歉，我不知道如何在C#中使用它）

(http|https|ftp|mailto|tel):\S+[/a-zA-Z0-9]

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格字符，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 "http://www.example.com." 中）

0

Ubiquity URL工具的功能如下：

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;
},
0

对于许多协议，您可以只搜索“：//”（不带引号）。不过其他的我就不确定了。

0
-1
以下的Perl正则表达式应该可以胜任。C#有Perl正则表达式吗？
/\w+:\/\/[\w][\w\.\/]*/
网页内容由stack overflow 提供, 点击上面的
可以查看英文原文，
原文链接