正则表达式URL捕获组

Question

我正在编写一个正则表达式，尝试将URL的每个部分放入不同的捕获组中以进行提取：

• 协议 (http,https)
• 子域名 (sub)
• 域名 (domain)
• 域名扩展名 (com,net)
• 路径 (/path/to/file - 这是文件所在目录的路径)
• URI (文件名)
• URI扩展名 (文件扩展名 - js,css,pdf)

示例URL：

http://domain.com/path1/to/file.js
http://domain.com/path-dash/to-dash/file.js
http://domain.com/path-dash/to-dash/file-name.js
https://sub.domain.com/path/to/file.js
http://sub.domain-dash.net/path/to/file.js
http://sub-dash.domain.com/path/to/file.js
http://sub-dash.domain-dash.com/path/to/file.js

我目前的内容如下：

所拥有的：

/(https?):\/\/(\w+[\-]?\w+)?.?(\w+[\-]?\w+)?/gm

预期输出：

• 第一组：协议
• 第二组：子域（如果有的话，或者为空）
• 第三组：域名
• 第四组：域名扩展名
• 第五组：目录路径
• 第六组：文件名
• 第七组：文件扩展名

问题：如何将每个URL部分分别放入自己的捕获组中，覆盖我列举的所有示例？

- user7892649

---

你使用的是什么编程语言？ - davidhu

比我（或许你）更优秀的程序员也曾为同样的问题苦思冥想 - 对于 PHP 可以使用 parse-url()，而对于 C，可以参考这篇文章：https://dev59.com/-XRB5IYBdhLWcg3wFz4g。 - Jan

@Jan 我将使用C语言（抱歉没有标记它，我现在会这样做）。但是我甚至不知道那个PHP函数，但很好知道，我大多数应用程序都是用PHP编写的。 - user7892649

@WiktorStribiżew我查了，但没有看到有处理示例中列表中的所有不同可能的URL格式的方法。 - user7892649

@WiktorStribiżew 我的意思是我喜欢 sscanf() 函数的工作方式，我肯定会使用它，但我仍然需要将模式提取到我上面列出的捕获组中。 - user7892649

Answer 1

你可以使用https://regex101.com/来检查分组编号。

如果你关心这些编号，你总是可以使用 "非捕获组(?:)"。

(https?):\/\/(?:([\w-]+)\.)?([\w-]+)\.(\w+)((?:\/[\w-]+)*\/)([\w-]+)+\.([\w]+)

这样，你就可以确保获得：

第一组：协议

第二组：子域名

第三组：域名

第四组：域名扩展（TLD）

第五组：路径

第六组：文件名

第七组：扩展名

---

如果拥有额外的分组无关紧要，那么使用以下表达式：

/(https?):\/\/(([\w-]+)\.)?([\w-]+)\.(\w+)((\/[\w-]+)*\/)([\w-]+)+\.([\w]+)/

你将获得以下内容：

第一组：协议

第三组：子域名

第四组：域名

第五组：顶级域名（或者你所说的域名扩展名）

第六组：/路径/到/

第八组：文件名

第九组：扩展名

- gpoussif

---

它只匹配了第一个URL示例，而且没有在特定的捕获组中返回正确的URL部分。 - user7892649

1. 协议
2. 子程序
3. 域名
4. 域名扩展名
5. 目录路径
6. 文件名
7. 文件扩展名

- user7892649

也可以使用(com|net)，但我真正想要的是一种通用的方法来获取域名扩展名，以便无论在路径（/）之间有什么（com、net、co等），都能够获取到。 - user7892649

好的！你能修改它，使其仅返回目录路径中的“/path/to/”（即删除文件名）吗？ - user7892649

我已经修复了 (com|net)，你可以直接替换为 (\w+)，因为它会在路径开头的 () 处停止。 - user7892649

您很厉害，我找到了我需要的最后一部分。如果您想将其添加到答案中，请使用以下代码:/(https?):\/\/(?:([\w-]+)\.)?([\w-]+)\.(\w+)((?:\/[\w-]+)*\/)([\w-]+)+\.([\w]+)/gm - user7892649