用于提取 URL 组件的正则表达式

Question

我正在尝试编写正则表达式来提取 URL 组件。语法可以在这里找到：RFC 3986.

有些组件是可选的。到目前为止我有：

(.+)://((.*)@)?(.+?)(:(\d*))?/((.*)\?)?((.*)#)?(.*)

分解为：

(.+):// 匹配后跟 :// 的方案。不可选。
((.*)@)?匹配权限的用户信息部分。可选。
(.+?) 匹配主机。不是可选的。 ~~这里有一个问题，这个组 也将匹配 可选端口。~~
(:(\d*))? 应该匹配端口。
/ 这个和后面的所有内容都应该是可选的。
((.*)\?)? 匹配路径部分。可选。
((.*)#)? 匹配查询部分。可选。
(.*) 匹配片段部分。可选。

我如何改进此正则表达式以使其在 RFC3986 中有效？

有趣的事实：这个正则表达式匹配自身。

示例URL（取自RFC）：foo://example.com:8042/over/there?name=ferret#nose

编辑：我忘了转义d。现在剩下要做的就是使 host 之后的所有内容成为可选的，包括领先的 /.

Answer 1

如果您只转义斜线，最好也转义冒号，您的正则表达式就可以正常工作。结果是(.+)\:\/\/(.*@)?(.+?)(:(\d*))?\/((.*)\?)?((.*)#)?(.*)。这是一个简单的脚本，展示了如何使用它来过滤掉无效的 URI：

更新根据评论，我做了以下修改：

我已经添加了(\:((\d*)\/))?(\/)*。解释：
- \:((\d*) 匹配一个冒号，然后是任何数字串。
- 之后的 \/ 匹配一个斜杠，该斜杠应该在这串数字之后。这是因为端口不能包含任何其他字符，只能包含数字。所以在uri的port-portion中是找不到的。
- 最后，整个 port-matching 表达式是可选的，因此 ?.
- 最后一部分表示 existing/non-existing 端口后可以有很多斜杠或没有斜杠

最终正则表达式： (.+)\:\/\/(.*\@)?(.+?)(\:((\d*)\/))?(\/)*((.*)\?)?((.*)\#)?(.*)

const myRegEx = new RegExp("(.+)\:\/\/(.*\@)?(.+?)(\:((\d*)\/))?(\/)*((.*)\?)?((.*)\#)?(.*)", "g");

const allUris = [
  /*Valid*/ "https://me@data.www.example.com:5050/page?query=value#element", 
  /*Valid*/ "foo://example.com:8042/over/there?name=ferret#nose",
  /*Valid*/ "foo://example.com",
  /*Not valid*/ "www.example.com"];


const allowedUris = allUris.map(uri => {
  // Use the regexp to match it, then return the match
  const match = uri.match(myRegEx);
  return match;
});

console.log("Here are the valid URIs:");
console.log(allowedUris.join("\n\n")); // Should only print the first two URIs from the array.

Answer 2

我找到了一种更好的方法来处理这个问题，同时也不会破坏捕获组。

(\w[\w\d\+\.-]*)://(.+@)?([^:/\?#]+)(:\d+)?(/[^\?#]*)?(\?[^#]+)?(#.*)?

分解：

(\w[\w\d\+\.-]*):// 根据 RFC-3986 匹配有效方案。
(.+@)?匹配用户信息；即 @ 之前的所有内容，可选。
([^:/\?#]+) 匹配主机；即，遇到 : 或 / 或 ? 或 # 之前的所有内容。
(:\d+)?匹配端口；即所有数字，可选
(/[^\?#]*)? 匹配路径；即 / 加上可选的每个字符，直到遇到 ? 或 #，可选地。
(\?[^#]+)? 匹配查询；即 ? 加上每个字符，直到遇到 #，可选。
(#.*)? 匹配片段；即 # 加上后面的所有内容，可选。

编辑： 我正在使用的最终版本（添加捕获组以便更好地提取 + 丢弃 new-line 个字符）：

(\w[\w\d\+\.-]*)://((.+)@)?([^:/\?#\r\n]+)(:(\d+))?(/([^\?#\r\n]*))?(\?([^#\r\n]*))?(#(.*))?

Try it online 对抗随机生成的 url。

用于提取 URL 组件的正则表达式

regexp to extract an URL components

regex

url

uri