Url 调整正则表达式以仅捕获 url 而不是 ip

Question

我已经制作了这个正则表达式来捕获所有类型的 url（它确实捕获了所有 url），但它也捕获了单个 ip.

这是我的场景：我有一个包含 IP、哈希和 url 的列表，我的 url 正则表达式和 ip 正则表达式都捕获相同的条目。不知道单个ip算不算“url”.

我的正则表达式：((http|https)://)?(www)?[-a-zA-Z0-9@:%._\+~#=]{1,256}\.[a-zA-Z0-9()]{1,9}\b([-a-zA-Z0-9()@:%_\|+.~#?&//={};,\[\]'"$\x60]*)?

捕获所有这些：

http://127.0.0.1/
http://127.0.0.1
https://127.0.0.1/m=weblogin/loginform238,363,771,89816356,2167
127.0.0.1:8080 ------> excluding this one is okay too (optional)
127.0.0.1 ------> i want to exclude this one
google.com
google.com:80
www.google.com
https://google.com
https://www.google.com

我希望我的正则表达式捕获除单个 ip 之外的所有 url，如下所示：

127.0.0.1

注意：我想在golang代码中使用这个（使用golang正则表达式引擎）
注意：我正在使用regexp.Compile()和FindAllString函数。

try this regex on regex101

Answer 1

您可以使用实现 "best trick ever" with FindAllStringSubmatch 的正则表达式：匹配您需要 skip/omit 的内容，并匹配和捕获您需要保留的内容。

\b(?:https?://)?(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\b(?:[^:]|$)|((?:https?://)?(?:www)?[-a-zA-Z0-9@:%._+~#=]{1,256}\.[a-zA-Z0-9()]{1,9}\b[-a-zA-Z0-9()@:%_\|+.~#?&//={};,\[\]'"$\x60]*)

第一个替代方案是 IP matching regex，其中我添加了 (?:https?://)? 部分以匹配可选的协议部分和 (?:[^:]|$) 部分以确保存在 [=16= 以外的字符] 或 IP 模式后的字符串结尾，但您可以进一步调整这部分。

然后，use it in Go喜欢

package main

import (
    "fmt"
    "regexp"
)

func main() {
    r := regexp.MustCompile(`\b(?:https?://)?(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\b(?:[^:]|$)|((?:https?://)?(?:www)?[-a-zA-Z0-9@:%._+~#=]{1,256}\.[a-zA-Z0-9()]{1,9}\b[-a-zA-Z0-9()@:%_\|+.~#?&//={};,\[\]'"$\x60]*)`)
    matches := r.FindAllStringSubmatch(`http://127.0.0.1/
http://127.0.0.1
http://www.127.0.0.1/m=weblogin/loginform238,363,771,89816356,2167
127.0.0.1:8080
127.0.0.1
google.com
google.com:80
www.google.com
https://google.com
https://www.google.com`, -1)
        for _, v := range matches {
            if (len(v[1]) > 0) {       // if Group 1 matched
            fmt.Println(v[1])          // Display it, else do nothing
        }
    }   
}

输出：

http://www.127.0.0.1/m=weblogin/loginform238,363,771,89816356,2167
127.0.0.1:8080
google.com
google.com:80
www.google.com
https://google.com
https://www.google.com

Url 调整正则表达式以仅捕获 url 而不是 ip

Url regex tweak to just capture url not ip

regex

url

go

regex-group