正则表达式：还有什么我应该用来实现我想要的吗？

Question

基于大量搜索示例，我创建了一个正则表达式，我使用它（作为后备）来解析来自 HTML 来源的直接文件 links：

/((?:(?:https?%3A%2F%2F)(?:www\.)?(?:\S+)%2F|(?:https?:\/\/)(?:www\.)?(?:\S+)\/)(?:.*)?\.(mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg)(?=[^.]*$))/igm

我的问题是它在包含多个 link 的行上失败。我知道使用正则表达式解析 HTML 即使作为回退也是不受欢迎的，所以我还能用什么来查找页面源中的所有直接文件 link？（这意味着 link 隐藏在内联 JavaScript、视频源标签等中；而不仅仅是 document.links returns。）

如果没有更好的建议，谁能帮我修改正则表达式来实现我想要的？

正则表达式应遵循以下准则：

Return第一组的URL和第二组的文件扩展名
同时查找编码和解码的 URLs
查找特定的文件扩展名（即视频和音频）
容忍多级文件扩展名
容忍 URL
允许任何域，包括安全域和非安全域，有或没有 "www" 用于 HTTP 方案
查找所有 URL，无论它们在 HTML 源中的位置如何
兼容JavaScript

一些应该匹配的例子：

http://test.com/test.mkv
http://test.com/test/test.jpg.mkv
https://test.com/test.mkv?test=test
http%3A%2F%2Ftest.com%2Ftest.mkv%3Ftest%3Dtest
https%3A%2F%2Ftest.com%2Ftest.jpg.mkv%3Ftest%3Dtest.mkv
http://test.com/t est.mkv__some__random__string__http://test.com/test.mkv

最后一个示例应匹配两个 URL，但不匹配 __some__random__string__。

一些不应匹配的示例：

http://test.com/test.mkv.jpg
http://test.com/test.mkv/test.jpg
https://test.com/test.mkv.jpg?test=test.mkv
http%3A%2F%2Ftest.com%2Ftest.mkv.jpg
https%3A%2F%2Ftest.com%2Ftest.mkv.jpg%3Ftest%3Dtest.mkv
http://test.com/t est.mkv__some__random__string__http://test.com/test.mkv.jpg

最后一个例子应该只匹配第一个 URL，在 __some__random__string__.

之前

您可以使用正则表达式和一些 HTML 部分失败的来源示例：http://regexr.com/3dbac

Answer 1

好吧，如果我们只考虑您在此处提供的样本，您可以利用 tempered greedy token (TGT) 来否定您需要匹配的扩展名：

/((?:https?(?:%3A%2F%2F|:\/\/))(?:www\.)?(?:\S+)(?:%2F|\/)(?:(?!\.(?:mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))[^\/])*\.(mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))(?!\/|\.[a-z]{1,3})/

见regex demo

模式细分：

(        # Group 1 matching the whole URL
  (?:https?(?:%3A%2F%2F|:\/\/))(?:www\.)?(?:\S+)(?:%2F|\/) # Matching URL part with no spaces up to the last /
  (?:(?!\.(?:mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))[^\/])* # TGT matching up to the extension
  \.(mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg) # The extension
)
(?!\/|\.[a-z]{1,3}) # Only if not followed with /, or another extension

(?:(?!\.(?:mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))[^\/])* TGT 匹配除 / 之外的任何字符，这些字符不是 .mp4、.mkv 等文字字符序列的第一个字符（作为如果否定先行的模式与字符串中当前位置右侧的文本匹配，则匹配失败。

正则表达式：还有什么我应该用来实现我想要的吗？

Regex: Is there something else I should be using to achieve what I want?

javascript

regex

file-extension