Получение частей URL-адреса (Regex)


132

Учитывая URL-адрес (одна строка):
http://test.example.com/dir/subdir/file.html

Как с помощью регулярных выражений извлечь следующие части:

  1. Поддомен (тест)
  2. Домен (example.com)
  3. Путь без файла (/ dir / subdir /)
  4. Файл (file.html)
  5. Путь к файлу (/dir/subdir/file.html)
  6. URL без пути ( http://test.example.com )
  7. (добавьте любое другое, что, по вашему мнению, будет полезно)

Регулярное выражение должно работать правильно, даже если я введу следующий URL:

http://example.example.com/example/example/example.html

Это не прямой ответ, но в большинстве веб-библиотек есть функция, которая выполняет эту задачу. Функцию часто называют чем-то похожим на CrackUrl. Если такая функция существует, используйте ее, она почти гарантированно будет надежнее и эффективнее любого кода, созданного вручную.
Конрад Рудольф,

7
Пожалуйста, объясните нам, почему это нужно делать с помощью регулярного выражения. Если это домашнее задание, скажите это, потому что это ваше ограничение. В противном случае есть лучшие решения для конкретного языка, чем использование регулярного выражения.
Энди Лестер

1
Ссылки на первый и последний образцы не работают.
Железный Человек

Здесь вы можете узнать, как извлечь схему, домен, TLD, порт и путь запроса: stackoverflow.com/questions/9760588/…
Паоло Ровелли,

Ответы:


151

Одно регулярное выражение для анализа и разбиения полного URL-адреса, включая параметры запроса и якоря, например

https://www.google.com/dir/1/2/search.html?arg=0-a&arg1=1-b&arg3-c#hash

^((http[s]?|ftp):\/)?\/?([^:\/\s]+)((\/\w+)*\/)([\w\-\.]+[^#?\s]+)(.*)?(#[\w\-]+)?$

Позиции RexEx:

url: RegExp ['$ &'],

Протокол:. RegExp $ 2,

хост:. RegExp $ 3,

Путь:. RegExp $ 4,

Файл:. RegExp $ 6,

запрос:. RegExp $ 7,

Хэш:. RegExp $ 8

затем вы могли бы довольно легко продолжить синтаксический анализ хоста (разделенный '.').

Что я бы сделать , это использовать что - то вроде этого:

/*
    ^(.*:)//([A-Za-z0-9\-\.]+)(:[0-9]+)?(.*)$
*/
proto $1
host $2
port $3
the-rest $4

дальнейший синтаксический анализ «остального», чтобы быть как можно более конкретным. Делать это в одном регулярном выражении - это немного безумие.


4
Ссылка codenippets.joyent.com/posts/show/523 не работает с 20 октября 2010 г.
W3Max

19
Проблема в этой части: (.*)?поскольку звезда Клини уже принимает 0 или больше, ?часть (0 или 1) сбивает ее с толку. Я исправил это, изменив (.*)?на (.+)?. Вы также можете просто удалить?
rossipedia

3
Привет, Дв, я немного улучшил его, чтобы извлекать example.com из URL-адресов, например, http://www.example.com:8080/....Вот идет:^((http[s]?|ftp):\/\/)?\/?([^\/\.]+\.)*?([^\/\.]+\.[^:\/\s\.]{2,3}(\.[^:\/\s\.]{2,3})?(:\d+)?)($|\/)([^#?\s]+)?(.*?)?(#[\w\-]+)?$
mnacos

4
и доказательство того, что никакое регулярное выражение не является идеальным, вот одно немедленное исправление:^((http[s]?|ftp):\/\/)?\/?([^\/\.]+\.)*?([^\/\.]+\.[^:\/\s\.]{2,3}(\.[^:\/\s\.]{2,3})?)(:\d+)?($|\/)([^#?\s]+)?(.*?)?(#[\w\-]+)?$
mnacos

2
Я изменил это регулярное выражение, чтобы идентифицировать все части URL-адреса (улучшенная версия) - код на Python. ^((?P<scheme>[^:/?#]+):(?=//))?(//)?(((?P<login>[^:]+)(?::(?P<password>[^@]+)?)?@)?(?P<host>[^@/?#:]*)(?::(?P<port>\d+)?)?)?(?P<path>[^?#]*)(\?(?P<query>[^#]*))?(#(?P<fragment>.*))? code Вы показываете этот код в действии на pythex.org
arannasousa

81

Я понимаю, что опаздываю на вечеринку, но есть простой способ позволить браузеру проанализировать URL-адрес без регулярного выражения:

var a = document.createElement('a');
a.href = 'http://www.example.com:123/foo/bar.html?fox=trot#foo';

['href','protocol','host','hostname','port','pathname','search','hash'].forEach(function(k) {
    console.log(k+':', a[k]);
});

/*//Output:
href: http://www.example.com:123/foo/bar.html?fox=trot#foo
protocol: http:
host: www.example.com:123
hostname: www.example.com
port: 123
pathname: /foo/bar.html
search: ?fox=trot
hash: #foo
*/

9
Учитывая, что исходный вопрос был помечен как «языково-независимый», что это за язык?
MarkHu

обратите внимание, что это решение требует наличия префикса протокола, например http://, для правильного отображения свойств протокола, хоста и имени хоста. В противном случае начало URL-адреса до первой косой черты переходит в свойство протокола.
Oleksii Aza

Я считаю, что это хоть и простое, но намного медленнее, чем парсинг RegEx.
demisx

Поддерживаются ли все браузеры?
Шон

1
Если мы пойдем этим путем, вы тоже можете поступитьvar url = new URL(someUrl)
gman

67

Я опоздал на вечеринку на несколько лет, но удивлен, что никто не упомянул, что в спецификации Uniform Resource Identifier есть раздел о синтаксическом анализе URI с помощью регулярного выражения . Регулярное выражение, написанное Бернерсом-Ли и др., Выглядит следующим образом:

^(([^:/?#]+):)?(//([^/?#]*))?([^?#]*)(\?([^#]*))?(#(.*))?
 12            3  4          5       6  7        8 9

Цифры во второй строке выше предназначены только для удобства чтения; они указывают контрольные точки для каждого подвыражения (т. е. каждой парной скобки). Мы называем значение, сопоставленное подвыражению, $. Например, соответствие приведенного выше выражения

http://www.ics.uci.edu/pub/ietf/uri/#Related

приводит к следующим совпадениям подвыражения:

$1 = http:
$2 = http
$3 = //www.ics.uci.edu
$4 = www.ics.uci.edu
$5 = /pub/ietf/uri/
$6 = <undefined>
$7 = <undefined>
$8 = #Related
$9 = Related

Как бы то ни было, я обнаружил, что мне нужно избегать косых черт в JavaScript:

^(([^:\/?#]+):)?(\/\/([^\/?#]*))?([^?#]*)(\?([^#]*))?(#(.*))?


4
отличный ответ! Выбор чего-то из RFC, безусловно, никогда не может стать плохим делом,
Франкстер

1
это не анализирует параметры запроса
Реми ДЭВИД

2
Это лучший афаикт. В частности, это решает две проблемы, которые я видел с другими 1:: Это правильно работает с другими протоколами, такими как ftp://и mailto://. 2: Это правильно работает с usernameи password. Эти необязательные поля разделены двоеточием, как и имя хоста и порт, и это приведет к отключению большинства других регулярных выражений, которые я видел. @ RémyDAVID Строка запроса также не анализируется нормально locationобъектом браузера . Если вам нужно проанализировать строку запроса, взгляните на мою крошечную библиотеку: uqs .
Stijn de Witt

2
Этот ответ заслуживает большего количества голосов, потому что он охватывает практически все протоколы.
Tianzhen Lin

1
Он ломается, когда подразумевается протокол HTTP с именем пользователя / паролем (я признаю, что это эзотерический и технически недопустимый синтаксис) :, например, user:pass@example.com- RFC 3986 говорит:A path segment that contains a colon character (e.g., "this:that") cannot be used as the first segment of a relative-path reference, as it would be mistaken for a scheme name. Such a segment must be preceded by a dot-segment (e.g., "./this:that") to make a relative- path reference.
Мэтт Чемберс

33

Я обнаружил, что ответ с наибольшим количеством голосов (ответ домашнего тоста) не работает для меня идеально. Две проблемы:

  1. Он не может обрабатывать номер порта.
  2. Хеш-часть сломана.

Ниже приводится модифицированная версия:

^((http[s]?|ftp):\/)?\/?([^:\/\s]+)(:([^\/]*))?((\/\w+)*\/)([\w\-\.]+[^#?\s]+)(\?([^#]*))?(#(.*))?$

Положение деталей следующее:

int SCHEMA = 2, DOMAIN = 3, PORT = 5, PATH = 6, FILE = 8, QUERYSTRING = 9, HASH = 12

Редактировать опубликовано анонимным пользователем:

function getFileName(path) {
    return path.match(/^((http[s]?|ftp):\/)?\/?([^:\/\s]+)(:([^\/]*))?((\/[\w\/-]+)*\/)([\w\-\.]+[^#?\s]+)(\?([^#]*))?(#(.*))?$/i)[8];
}

1
Помните, что это не сработает, если URL-адрес не имеет пути после домена - например, http://www.example.comили если путь состоит из одного символа, например http://www.example.com/a.
Фернандо Коррейя

11

Мне нужно было регулярное выражение для соответствия всем URL-адресам, и я сделал это:

/(?:([^\:]*)\:\/\/)?(?:([^\:\@]*)(?:\:([^\@]*))?\@)?(?:([^\/\:]*)\.(?=[^\.\/\:]*\.[^\.\/\:]*))?([^\.\/\:]*)(?:\.([^\/\.\:]*))?(?:\:([0-9]*))?(\/[^\?#]*(?=.*?\/)\/)?([^\?#]*)?(?:\?([^#]*))?(?:#(.*))?/

Он соответствует всем URL-адресам, любому протоколу, даже таким URL-адресам, как

ftp://user:pass@www.cs.server.com:8080/dir1/dir2/file.php?param1=value1#hashtag

Результат (в JavaScript) выглядит так:

["ftp", "user", "pass", "www.cs", "server", "com", "8080", "/dir1/dir2/", "file.php", "param1=value1", "hashtag"]

URL как

mailto://admin@www.cs.server.com

выглядит так:

["mailto", "admin", undefined, "www.cs", "server", "com", undefined, undefined, undefined, undefined, undefined] 

3
Если вы хотите сопоставить весь домен / IP-адрес (не разделенный точками), используйте этот:/(?:([^\:]*)\:\/\/)?(?:([^\:\@]*)(?:\:([^\@]*))?\@)?(?:([^\/\:]*))?(?:\:([0-9]*))?\/(\/[^\?#]*(?=.*?\/)\/)?([^\?#]*)?(?:\?([^#]*))?(?:#(.*))?/
lepe

11

Я пытался решить эту проблему с помощью javascript, с чем следует справиться:

var url = new URL('http://a:b@example.com:890/path/wah@t/foo.js?foo=bar&bingobang=&king=kong@kong.com#foobar/bing/bo@ng?bang');

поскольку (по крайней мере, в Chrome) он анализирует:

{
  "hash": "#foobar/bing/bo@ng?bang",
  "search": "?foo=bar&bingobang=&king=kong@kong.com",
  "pathname": "/path/wah@t/foo.js",
  "port": "890",
  "hostname": "example.com",
  "host": "example.com:890",
  "password": "b",
  "username": "a",
  "protocol": "http:",
  "origin": "http://example.com:890",
  "href": "http://a:b@example.com:890/path/wah@t/foo.js?foo=bar&bingobang=&king=kong@kong.com#foobar/bing/bo@ng?bang"
}

Однако это не кроссбраузер ( https://developer.mozilla.org/en-US/docs/Web/API/URL ), поэтому я собрал все это вместе, чтобы извлечь те же части, что и выше:

^(?:(?:(([^:\/#\?]+:)?(?:(?:\/\/)(?:(?:(?:([^:@\/#\?]+)(?:\:([^:@\/#\?]*))?)@)?(([^:\/#\?\]\[]+|\[[^\/\]@#?]+\])(?:\:([0-9]+))?))?)?)?((?:\/?(?:[^\/\?#]+\/+)*)(?:[^\?#]*)))?(\?[^#]+)?)(#.*)?

Кредит за это регулярное выражение принадлежит https://gist.github.com/rpflorence, который разместил этот jsperf http://jsperf.com/url-parsing (первоначально найденный здесь: https://gist.github.com/jlong/2428561 # comment-310066 ), придумавший регулярное выражение, на котором оно изначально было основано.

Детали расположены в таком порядке:

var keys = [
    "href",                    // http://user:pass@host.com:81/directory/file.ext?query=1#anchor
    "origin",                  // http://user:pass@host.com:81
    "protocol",                // http:
    "username",                // user
    "password",                // pass
    "host",                    // host.com:81
    "hostname",                // host.com
    "port",                    // 81
    "pathname",                // /directory/file.ext
    "search",                  // ?query=1
    "hash"                     // #anchor
];

Также есть небольшая библиотека, которая обертывает его и предоставляет параметры запроса:

https://github.com/sadams/lite-url (также доступно на bower)

Если у вас есть улучшения, создайте запрос на перенос с большим количеством тестов, я приму его и с благодарностью объединю.


Это замечательно, но действительно может работать с такой версией, которая извлекает поддомены вместо дублированного хоста, hostname. Так что если бы я, http://test1.dev.mydomain.com/например, вытащил бы test1.dev..
Lankymart 01

Это работает очень хорошо. Я искал способ извлекать необычные параметры аутентификации из URL-адресов, и это прекрасно работает.
Aaron M

6

Предложите гораздо более читаемое решение (на Python, но применимо к любому регулярному выражению):

def url_path_to_dict(path):
    pattern = (r'^'
               r'((?P<schema>.+?)://)?'
               r'((?P<user>.+?)(:(?P<password>.*?))?@)?'
               r'(?P<host>.*?)'
               r'(:(?P<port>\d+?))?'
               r'(?P<path>/.*?)?'
               r'(?P<query>[?].*?)?'
               r'$'
               )
    regex = re.compile(pattern)
    m = regex.match(path)
    d = m.groupdict() if m is not None else None

    return d

def main():
    print url_path_to_dict('http://example.example.com/example/example/example.html')

Печать:

{
'host': 'example.example.com', 
'user': None, 
'path': '/example/example/example.html', 
'query': None, 
'password': None, 
'port': None, 
'schema': 'http'
}

5

субдомен и домен сложны, потому что субдомен может состоять из нескольких частей, как и домен верхнего уровня, http://sub1.sub2.domain.co.uk/

 the path without the file : http://[^/]+/((?:[^/]+/)*(?:[^/]+$)?)  
 the file : http://[^/]+/(?:[^/]+/)*((?:[^/.]+\.)+[^/.]+)$  
 the path with the file : http://[^/]+/(.*)  
 the URL without the path : (http://[^/]+/)  

(Markdown не очень дружелюбен к регулярным выражениям)


2
Очень полезно - я добавил дополнительный, (http(s?)://[^/]+/)чтобы также захватить https
Mojowen

5

Эта улучшенная версия должна работать так же надежно, как парсер.

   // Applies to URI, not just URL or URN:
   //    http://en.wikipedia.org/wiki/Uniform_Resource_Identifier#Relationship_to_URL_and_URN
   //
   // http://labs.apache.org/webarch/uri/rfc/rfc3986.html#regexp
   //
   // (?:([^:/?#]+):)?(?://([^/?#]*))?([^?#]*)(?:\?([^#]*))?(?:#(.*))?
   //
   // http://en.wikipedia.org/wiki/URI_scheme#Generic_syntax
   //
   // $@ matches the entire uri
   // $1 matches scheme (ftp, http, mailto, mshelp, ymsgr, etc)
   // $2 matches authority (host, user:pwd@host, etc)
   // $3 matches path
   // $4 matches query (http GET REST api, etc)
   // $5 matches fragment (html anchor, etc)
   //
   // Match specific schemes, non-optional authority, disallow white-space so can delimit in text, and allow 'www.' w/o scheme
   // Note the schemes must match ^[^\s|:/?#]+(?:\|[^\s|:/?#]+)*$
   //
   // (?:()(www\.[^\s/?#]+\.[^\s/?#]+)|(schemes)://([^\s/?#]*))([^\s?#]*)(?:\?([^\s#]*))?(#(\S*))?
   //
   // Validate the authority with an orthogonal RegExp, so the RegExp above won’t fail to match any valid urls.
   function uriRegExp( flags, schemes/* = null*/, noSubMatches/* = false*/ )
   {
      if( !schemes )
         schemes = '[^\\s:\/?#]+'
      else if( !RegExp( /^[^\s|:\/?#]+(?:\|[^\s|:\/?#]+)*$/ ).test( schemes ) )
         throw TypeError( 'expected URI schemes' )
      return noSubMatches ? new RegExp( '(?:www\\.[^\\s/?#]+\\.[^\\s/?#]+|' + schemes + '://[^\\s/?#]*)[^\\s?#]*(?:\\?[^\\s#]*)?(?:#\\S*)?', flags ) :
         new RegExp( '(?:()(www\\.[^\\s/?#]+\\.[^\\s/?#]+)|(' + schemes + ')://([^\\s/?#]*))([^\\s?#]*)(?:\\?([^\\s#]*))?(?:#(\\S*))?', flags )
   }

   // http://en.wikipedia.org/wiki/URI_scheme#Official_IANA-registered_schemes
   function uriSchemesRegExp()
   {
      return 'about|callto|ftp|gtalk|http|https|irc|ircs|javascript|mailto|mshelp|sftp|ssh|steam|tel|view-source|ymsgr'
   }


4
/^((?P<scheme>https?|ftp):\/)?\/?((?P<username>.*?)(:(?P<password>.*?)|)@)?(?P<hostname>[^:\/\s]+)(?P<port>:([^\/]*))?(?P<path>(\/\w+)*\/)(?P<filename>[-\w.]+[^#?\s]*)?(?P<query>\?([^#]*))?(?P<fragment>#(.*))?$/

Из моего ответа на аналогичный вопрос . Работает лучше, чем некоторые из других упомянутых, потому что в них были некоторые ошибки (например, не поддерживались имя пользователя / пароль, не поддерживались односимвольные имена файлов, идентификаторы фрагментов были сломаны).


2

Вы можете получить все http / https, хост, порт, путь, а также запрос, используя объект Uri в .NET. просто сложная задача - разбить хост на субдомен, доменное имя и TLD.

Для этого нет стандарта, и нельзя просто использовать синтаксический анализ строк или регулярное выражение для получения правильного результата. Сначала я использую функцию RegEx, но не все URL-адреса могут правильно анализировать поддомен. Практический способ - использовать список TLD. После определения TLD для URL-адреса левая часть является доменом, а оставшаяся часть - поддоменом.

Однако список необходимо поддерживать, поскольку новые TLD возможны. На данный момент я знаю, что publicsuffix.org поддерживает последний список, и вы можете использовать инструменты парсера имени домена из кода Google, чтобы проанализировать список общедоступных суффиксов и легко получить поддомен, домен и TLD с помощью объекта DomainName: domainName.SubDomain, domainName .Domain и domainName.TLD.

Это также полезно: получить субдомен с URL-адреса

CaLLMeLaNN


2

Вот тот, который полный и не полагается ни на какой протокол.

function getServerURL(url) {
        var m = url.match("(^(?:(?:.*?)?//)?[^/?#;]*)");
        console.log(m[1]) // Remove this
        return m[1];
    }

getServerURL("http://dev.test.se")
getServerURL("http://dev.test.se/")
getServerURL("//ajax.googleapis.com/ajax/libs/jquery/1.8.3/jquery.min.js")
getServerURL("//")
getServerURL("www.dev.test.se/sdas/dsads")
getServerURL("www.dev.test.se/")
getServerURL("www.dev.test.se?abc=32")
getServerURL("www.dev.test.se#abc")
getServerURL("//dev.test.se?sads")
getServerURL("http://www.dev.test.se#321")
getServerURL("http://localhost:8080/sads")
getServerURL("https://localhost:8080?sdsa")

Печать

http://dev.test.se

http://dev.test.se

//ajax.googleapis.com

//

www.dev.test.se

www.dev.test.se

www.dev.test.se

www.dev.test.se

//dev.test.se

http://www.dev.test.se

http://localhost:8080

https://localhost:8080

2

Ничто из вышеперечисленного не помогло мне. Вот что я в итоге использовал:

/^(?:((?:https?|s?ftp):)\/\/)([^:\/\s]+)(?::(\d*))?(?:\/([^\s?#]+)?([?][^?#]*)?(#.*)?)?/

2

Мне нравится регулярное выражение, опубликованное в «Javascript: The Good Parts». Он не слишком короткий и не слишком сложный. На этой странице в github также есть код JavaScript, который его использует. Но он может быть адаптирован для любого языка. https://gist.github.com/voodooGQ/4057330


1

Java предлагает класс URL, который сделает это. Объекты URL запроса.

Кстати , PHP предлагает parse_url () .


Похоже, это не разбирает субдомен?
Крис Датроу

Аскер попросил регулярное выражение. Класс URL-адреса откроет соединение, когда вы его создадите.
MikeNereson

«Класс URL-адреса откроет соединение, когда вы его создадите» - это неверно, только когда вы вызываете такие методы, как connect (). Но это правда, что java.net.URL несколько тяжелый. В этом случае лучше использовать java.net.URI.
jcsahnwaldt Reinstate Monica

1

Я бы рекомендовал не использовать регулярное выражение. Вызов API, такой как WinHttpCrackUrl () , менее подвержен ошибкам.

http://msdn.microsoft.com/en-us/library/aa384092%28VS.85%29.aspx


5
А также очень специфичен для платформы.
Andir

2
Я думаю, дело было в том, чтобы использовать библиотеку, а не изобретать велосипед. В Ruby, Python, Perl есть инструменты для разделения URL-адресов, так что хватайте их вместо того, чтобы реализовывать плохой шаблон.
Железный Человек

1

Я попробовал несколько из них, которые не соответствовали моим потребностям, особенно получившие наибольшее количество голосов, которые не поймали URL без пути ( http://example.com/ )

также отсутствие названий групп сделало его непригодным для использования в анзибле (или, возможно, мои навыки jinja2 отсутствуют).

так что это моя версия, слегка измененная с исходной версией, получившей наибольшее количество голосов:

^((?P<protocol>http[s]?|ftp):\/)?\/?(?P<host>[^:\/\s]+)(?P<path>((\/\w+)*\/)([\w\-\.]+[^#?\s]+))*(.*)?(#[\w\-]+)?$

0

Использование регулярного выражения http://www.fileformat.info/tool/regex.htm hometoast отлично работает.

Но вот в чем дело: я хочу использовать разные шаблоны регулярных выражений в разных ситуациях в моей программе.

Например, у меня есть этот URL-адрес, и у меня есть перечисление, в котором перечислены все поддерживаемые URL-адреса в моей программе. Каждый объект в перечислении имеет метод getRegexPattern, который возвращает шаблон регулярного выражения, который затем будет использоваться для сравнения с URL-адресом. Если конкретный шаблон регулярного выражения возвращает истину, то я знаю, что этот URL-адрес поддерживается моей программой. Итак, каждое перечисление имеет собственное регулярное выражение в зависимости от того, где оно должно искать внутри URL.

Предложение Hometoast отличное, но в моем случае я думаю, что это не поможет (если я не скопирую одно и то же регулярное выражение во все перечисления).

Вот почему я хотел, чтобы ответ давал регулярное выражение для каждой ситуации отдельно. Хотя +1 за домашний тост. ;)


0

Я знаю, что вы утверждаете, что это не зависит от языка, но можете ли вы сказать нам, что вы используете, чтобы мы знали, какие у вас есть возможности регулярного выражения?

Если у вас есть возможности для не захватывающих совпадений, вы можете изменить выражение hometoast так, чтобы подвыражения, которые вам не нужны, были настроены следующим образом:

(?:SOMESTUFF)

Вам все равно придется копировать и вставлять (и немного изменять) регулярное выражение в нескольких местах, но это имеет смысл - вы не просто проверяете, существует ли подвыражение, а существует ли оно как часть URL-адреса . Использование модификатора без захвата для подвыражений может дать вам то, что вам нужно, и ничего больше, что, если я правильно вас понимаю, это то, что вы хотите.

В качестве небольшого примечания, выражение hometoast не должно заключать скобки вокруг 's' для 'https', поскольку в нем только один символ. Квантификаторы количественно определяют один символ (или класс символов, или часть выражения), непосредственно предшествующий им. Так:

https?

будет просто соответствовать 'http' или 'https'.


0

regexp, чтобы получить URL-путь без файла.

url = ' http: // domain / dir1 / dir2 / somefile ' url.scan (/ ^ (http: // [^ /] +) ((?: / [^ /] +) + (? = /)) ? /? (?: [^ /] +)? $ / I) .to_s

Это может быть полезно для добавления относительного пути к этому URL-адресу.


0

Регулярное выражение для полного синтаксического анализа довольно ужасно. Я включил именованные обратные ссылки для удобочитаемости и разбил каждую часть на отдельные строки, но это все равно выглядит так:

^(?:(?P<protocol>\w+(?=:\/\/))(?::\/\/))?
(?:(?P<host>(?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^\/?#:]+)(?::(?P<port>[0-9]+))?)\/)?
(?:(?P<path>(?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^?#])+)\/)?
(?P<file>(?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^?#])+)
(?:\?(?P<querystring>(?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^#])+))?
(?:#(?P<fragment>.*))?$

То, что требует, чтобы он был таким подробным, заключается в том, что, за исключением протокола или порта, любая из частей может содержать объекты HTML, что делает определение фрагмента довольно сложным. Итак, в последних нескольких случаях - хост, путь, файл, строка запроса и фрагмент - мы разрешаем любой объект html или любой символ, кроме ?или #. Регулярное выражение для html-сущности выглядит так:

$htmlentity = "&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);"

Когда это извлекается (я использовал синтаксис усов для его представления), он становится немного более разборчивым:

^(?:(?P<protocol>(?:ht|f)tps?|\w+(?=:\/\/))(?::\/\/))?
(?:(?P<host>(?:{{htmlentity}}|[^\/?#:])+(?::(?P<port>[0-9]+))?)\/)?
(?:(?P<path>(?:{{htmlentity}}|[^?#])+)\/)?
(?P<file>(?:{{htmlentity}}|[^?#])+)
(?:\?(?P<querystring>(?:{{htmlentity}};|[^#])+))?
(?:#(?P<fragment>.*))?$

В JavaScript, конечно, нельзя использовать именованные обратные ссылки, поэтому регулярное выражение становится

^(?:(\w+(?=:\/\/))(?::\/\/))?(?:((?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^\/?#:]+)(?::([0-9]+))?)\/)?(?:((?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^?#])+)\/)?((?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^?#])+)(?:\?((?:(?:&(?:amp|apos|gt|lt|nbsp|quot|bull|hellip|[lr][ds]quo|[mn]dash|permil|\#[1-9][0-9]{1,3}|[A-Za-z][0-9A-Za-z]+);)|[^#])+))?(?:#(.*))?$

и в каждом совпадении протокол \1, хост \2, порт \3, путь \4, файл \5, строка запроса \6и фрагмент \7.


0
//USING REGEX
/**
 * Parse URL to get information
 *
 * @param   url     the URL string to parse
 * @return  parsed  the URL parsed or null
 */
var UrlParser = function (url) {
    "use strict";

    var regx = /^(((([^:\/#\?]+:)?(?:(\/\/)((?:(([^:@\/#\?]+)(?:\:([^:@\/#\?]+))?)@)?(([^:\/#\?\]\[]+|\[[^\/\]@#?]+\])(?:\:([0-9]+))?))?)?)?((\/?(?:[^\/\?#]+\/+)*)([^\?#]*)))?(\?[^#]+)?)(#.*)?/,
        matches = regx.exec(url),
        parser = null;

    if (null !== matches) {
        parser = {
            href              : matches[0],
            withoutHash       : matches[1],
            url               : matches[2],
            origin            : matches[3],
            protocol          : matches[4],
            protocolseparator : matches[5],
            credhost          : matches[6],
            cred              : matches[7],
            user              : matches[8],
            pass              : matches[9],
            host              : matches[10],
            hostname          : matches[11],
            port              : matches[12],
            pathname          : matches[13],
            segment1          : matches[14],
            segment2          : matches[15],
            search            : matches[16],
            hash              : matches[17]
        };
    }

    return parser;
};

var parsedURL=UrlParser(url);
console.log(parsedURL);

0

Я пробовал это регулярное выражение для разбора разделов URL:

^((http[s]?|ftp):\/)?\/?([^:\/\s]+)(:([^\/]*))?((\/?(?:[^\/\?#]+\/+)*)([^\?#]*))(\?([^#]*))?(#(.*))?$

URL: https://www.google.com/my/path/sample/asd-dsa/this?key1=value1&key2=value2

Спички:

Group 1.    0-7 https:/
Group 2.    0-5 https
Group 3.    8-22    www.google.com
Group 6.    22-50   /my/path/sample/asd-dsa/this
Group 7.    22-46   /my/path/sample/asd-dsa/
Group 8.    46-50   this
Group 9.    50-74   ?key1=value1&key2=value2
Group 10.   51-74   key1=value1&key2=value2

-1
String s = "https://www.thomas-bayer.com/axis2/services/BLZService?wsdl";

String regex = "(^http.?://)(.*?)([/\\?]{1,})(.*)";

System.out.println("1: " + s.replaceAll(regex, "$1"));
System.out.println("2: " + s.replaceAll(regex, "$2"));
System.out.println("3: " + s.replaceAll(regex, "$3"));
System.out.println("4: " + s.replaceAll(regex, "$4"));

Будет предоставлен следующий вывод:
1: https: //
2: www.thomas-bayer.com
3: /
4: axis2 / services / BLZService? Wsdl

Если вы измените URL-адрес на
String s = " https: //www.thomas -bayer.com?wsdl=qwerwer&ttt=888 "; вывод будет следующим:
1: https: //
2: www.thomas-bayer.com
3 :?
4: wsdl = qwerwer & ttt = 888

наслаждайтесь ..
Йоси Лев


Не обрабатывает порты. Не агностик языка.
Ohgodwhy
Используя наш сайт, вы подтверждаете, что прочитали и поняли нашу Политику в отношении файлов cookie и Политику конфиденциальности.
Licensed under cc by-sa 3.0 with attribution required.