使用 JavaScript 检测文本中的 URL
Posted
技术标签:
【中文标题】使用 JavaScript 检测文本中的 URL【英文标题】:Detect URLs in text with JavaScript 【发布时间】:2010-12-02 18:48:54 【问题描述】:有人对检测一组字符串中的 URL 有什么建议吗?
arrayOfStrings.forEach(function(string)
// detect URLs in strings and do something swell,
// like creating elements with links.
);
更新:我最终使用这个正则表达式进行链接检测……显然是几年后。
kLINK_DETECTION_REGEX = /(([a-z]+:\/\/)?(([a-z0-9\-]+\.)+([a-z]2|aero|arpa|biz|com|coop|edu|gov|info|int|jobs|mil|museum|name|nato|net|org|pro|travel|local|internal))(:[0-9]1,5)?(\/[a-z0-9_\-\.~]+)*(\/([a-z0-9_\-\.]*)(\?[a-z0-9+_\-\.%=&]*)?)?(#[a-zA-Z0-9!$&'()*+.=-_~:@/?]*)?)(\s+|$)/gi
完整的助手(带有可选的 Handlebars 支持)位于 gist #1654670。
【问题讨论】:
尝试列出有限的 TLD 集可能不是一个好主意,因为它们会不断创建新的 TLD。 同意。有时我们需要的是带有 TLD 的可更新代码。实际上可以构建脚本以将 TLD 附加到正则表达式或代码中的动态代码更新 TLD。生活中有些事情就像***域名和时区一样需要标准化。有限控制可能有助于验证真实世界地址用例的现有“TLD”可验证 URL。 如果没有斜杠,这似乎不起作用?https://www.npmjs.com/package/linkifyjs
将失败,但 https://www.npmjs.com/package/linkifyjs/
通过
【参考方案1】:
首先,您需要一个匹配 url 的良好正则表达式。这很难做到。见here、here和here:
...几乎任何东西都是有效的 URL。那里 是一些标点符号规则 把它分开。没有任何 标点符号,你仍然有一个有效的 网址。
仔细检查 RFC,看看你是否 可以构造一个“无效”的 URL。这 规则非常灵活。
例如,
:::::
是一个有效的 URL。 路径是":::::"
。一个漂亮 愚蠢的文件名,但是一个有效的文件名。另外,
/////
是一个有效的 URL。这 netloc(“主机名”)是""
。路径 是"///"
。再次,愚蠢。还 有效的。此 URL 规范化为"///"
这是等价的。类似
"bad://///worse/////"
是完全有效的。愚蠢但有效。
无论如何,这个答案并不是为了给你最好的正则表达式,而是证明如何使用 javascript 将字符串包装在文本中。
好的,让我们使用这个:/(https?:\/\/[^\s]+)/g
再次,这是一个糟糕的正则表达式。它会有很多误报。但是对于这个例子来说已经足够了。
function urlify(text)
var urlRegex = /(https?:\/\/[^\s]+)/g;
return text.replace(urlRegex, function(url)
return '<a href="' + url + '">' + url + '</a>';
)
// or alternatively
// return text.replace(urlRegex, '<a href="$1">$1</a>')
var text = 'Find me at http://www.example.com and also at http://***.com';
var html = urlify(text);
console.log(html)
// html now looks like:
// "Find me at <a href="http://www.example.com">http://www.example.com</a> and also at <a href="http://***.com">http://***.com</a>"
总之试试:
$$('#pad dl dd').each(function(element)
element.innerHTML = urlify(element.innerHTML);
);
【讨论】:
一些“许多误报”的例子会大大改善这个答案。否则,未来的 Google 员工只会留下一些(也许是有效的?)FUD。 我从来不知道你可以将函数作为.replace
的第二个参数传递:|
这很好,但它使用尾随标点符号 text="Find me at http://www.example.com, and also at http://***.com."
会导致两个 404 错误。一些用户意识到了这一点,并会在 URL 之后的标点符号前添加一个空格以避免损坏,但我使用的大多数链接器(Gmail、etherpad、phabricator)将尾随标点符号与 URL 分开。
如果文本已经包含锚定的 url,您可以使用 function removeAnchors(text) var div = $('').html(text); div.find('a').contents().unwrap();返回 div.text(); 在返回 text.replace 之前首先删除锚点
如果文本已经包含锚定的 url,您正在使用 jquery 删除锚点,但我使用的是 Angular。如何删除 Angular 中的锚点?【参考方案2】:
这是我最终用作正则表达式的内容:
var urlRegex =/(\b(https?|ftp|file):\/\/[-A-Z0-9+&@#\/%?=~_|!:,.;]*[-A-Z0-9+&@#\/%=~_|])/ig;
这不包括 URL 中的尾随标点符号。 Crescent 的功能就像一个魅力 :) 所以:
function linkify(text)
var urlRegex =/(\b(https?|ftp|file):\/\/[-A-Z0-9+&@#\/%?=~_|!:,.;]*[-A-Z0-9+&@#\/%=~_|])/ig;
return text.replace(urlRegex, function(url)
return '<a href="' + url + '">' + url + '</a>';
);
【讨论】:
最后一个在最明显的情况下真正有效的正则表达式!这个值得收藏。我从谷歌搜索中测试了数千个示例,直到找到这个。 简单又好看!但是urlRegex
应该定义为 outside linkify
因为编译它很昂贵。
无法检测到完整的 URL:disney.wikia.com/wiki/Pua_(Moana)
我在每个字符列表中添加了()
,现在可以使用了。
它无法检测到仅以 www 开头的 url。例如:www.facebook.com【参考方案3】:
我在谷歌上搜索了这个问题很长一段时间,然后我突然想到有一个 android 方法 android.text.util.Linkify,它利用一些非常强大的正则表达式来完成这个。幸运的是,Android 是开源的。
他们使用几种不同的模式来匹配不同类型的网址。你可以在这里找到它们: http://grepcode.com/file/repository.grepcode.com/java/ext/com.google.android/android/2.0_r1/android/text/util/Regex.java#Regex.0WEB_URL_PATTERN
如果您只关心与 WEB_URL_PATTERN 匹配的 url,即符合 RFC 1738 规范的 url,则可以使用:
/((?:(http|https|Http|Https|rtsp|Rtsp):\/\/(?:(?:[a-zA-Z0-9\$\-\_\.\+\!\*\'\(\)\,\;\?\&\=]|(?:\%[a-fA-F0-9]2))1,64(?:\:(?:[a-zA-Z0-9\$\-\_\.\+\!\*\'\(\)\,\;\?\&\=]|(?:\%[a-fA-F0-9]2))1,25)?\@)?)?((?:(?:[a-zA-Z0-9][a-zA-Z0-9\-]0,64\.)+(?:(?:aero|arpa|asia|a[cdefgilmnoqrstuwxz])|(?:biz|b[abdefghijmnorstvwyz])|(?:cat|com|coop|c[acdfghiklmnoruvxyz])|d[ejkmoz]|(?:edu|e[cegrstu])|f[ijkmor]|(?:gov|g[abdefghilmnpqrstuwy])|h[kmnrtu]|(?:info|int|i[delmnoqrst])|(?:jobs|j[emop])|k[eghimnrwyz]|l[abcikrstuvy]|(?:mil|mobi|museum|m[acdghklmnopqrstuvwxyz])|(?:name|net|n[acefgilopruz])|(?:org|om)|(?:pro|p[aefghklmnrstwy])|qa|r[eouw]|s[abcdeghijklmnortuvyz]|(?:tel|travel|t[cdfghjklmnoprtvwz])|u[agkmsyz]|v[aceginu]|w[fs]|y[etu]|z[amw]))|(?:(?:25[0-5]|2[0-4][0-9]|[0-1][0-9]2|[1-9][0-9]|[1-9])\.(?:25[0-5]|2[0-4][0-9]|[0-1][0-9]2|[1-9][0-9]|[1-9]|0)\.(?:25[0-5]|2[0-4][0-9]|[0-1][0-9]2|[1-9][0-9]|[1-9]|0)\.(?:25[0-5]|2[0-4][0-9]|[0-1][0-9]2|[1-9][0-9]|[0-9])))(?:\:\d1,5)?)(\/(?:(?:[a-zA-Z0-9\;\/\?\:\@\&\=\#\~\-\.\+\!\*\'\(\)\,\_])|(?:\%[a-fA-F0-9]2))*)?(?:\b|$)/gi;
以下是原文全文:
"((?:(http|https|Http|Https|rtsp|Rtsp):\\/\\/(?:(?:[a-zA-Z0-9\\$\\-\\_\\.\\+\\!\\*\\'\\(\\)"
+ "\\,\\;\\?\\&\\=]|(?:\\%[a-fA-F0-9]2))1,64(?:\\:(?:[a-zA-Z0-9\\$\\-\\_"
+ "\\.\\+\\!\\*\\'\\(\\)\\,\\;\\?\\&\\=]|(?:\\%[a-fA-F0-9]2))1,25)?\\@)?)?"
+ "((?:(?:[a-zA-Z0-9][a-zA-Z0-9\\-]0,64\\.)+" // named host
+ "(?:" // plus top level domain
+ "(?:aero|arpa|asia|a[cdefgilmnoqrstuwxz])"
+ "|(?:biz|b[abdefghijmnorstvwyz])"
+ "|(?:cat|com|coop|c[acdfghiklmnoruvxyz])"
+ "|d[ejkmoz]"
+ "|(?:edu|e[cegrstu])"
+ "|f[ijkmor]"
+ "|(?:gov|g[abdefghilmnpqrstuwy])"
+ "|h[kmnrtu]"
+ "|(?:info|int|i[delmnoqrst])"
+ "|(?:jobs|j[emop])"
+ "|k[eghimnrwyz]"
+ "|l[abcikrstuvy]"
+ "|(?:mil|mobi|museum|m[acdghklmnopqrstuvwxyz])"
+ "|(?:name|net|n[acefgilopruz])"
+ "|(?:org|om)"
+ "|(?:pro|p[aefghklmnrstwy])"
+ "|qa"
+ "|r[eouw]"
+ "|s[abcdeghijklmnortuvyz]"
+ "|(?:tel|travel|t[cdfghjklmnoprtvwz])"
+ "|u[agkmsyz]"
+ "|v[aceginu]"
+ "|w[fs]"
+ "|y[etu]"
+ "|z[amw]))"
+ "|(?:(?:25[0-5]|2[0-4]" // or ip address
+ "[0-9]|[0-1][0-9]2|[1-9][0-9]|[1-9])\\.(?:25[0-5]|2[0-4][0-9]"
+ "|[0-1][0-9]2|[1-9][0-9]|[1-9]|0)\\.(?:25[0-5]|2[0-4][0-9]|[0-1]"
+ "[0-9]2|[1-9][0-9]|[1-9]|0)\\.(?:25[0-5]|2[0-4][0-9]|[0-1][0-9]2"
+ "|[1-9][0-9]|[0-9])))"
+ "(?:\\:\\d1,5)?)" // plus option port number
+ "(\\/(?:(?:[a-zA-Z0-9\\;\\/\\?\\:\\@\\&\\=\\#\\~" // plus option query params
+ "\\-\\.\\+\\!\\*\\'\\(\\)\\,\\_])|(?:\\%[a-fA-F0-9]2))*)?"
+ "(?:\\b|$)";
如果您想真正花哨,您也可以测试电子邮件地址。电子邮件地址的正则表达式是:
/[a-zA-Z0-9\\+\\.\\_\\%\\-]1,256\\@[a-zA-Z0-9][a-zA-Z0-9\\-]0,64(\\.[a-zA-Z0-9][a-zA-Z0-9\\-]0,25)+/gi
PS:上述正则表达式支持的***域截至 2007 年 6 月是最新的。有关最新列表,您需要查看https://data.iana.org/TLD/tlds-alpha-by-domain.txt。
【讨论】:
由于您有一个不区分大小写的正则表达式,您不必指定a-zA-Z
和http|https|Http|Https|rtsp|Rtsp
。
这很好,但我不确定我是否会使用它。对于大多数用例,我宁愿接受一些误报,也不愿使用依赖硬编码 TLD 列表的方法。如果您在代码中列出 TLD,则可以保证它有一天会过时,如果可以避免的话,我宁愿不在我的代码中构建强制性的未来维护。
这在 101% 的情况下都有效,不幸的是它还会找到前面没有空格的 url。如果我在 hello@mydomain.com 上运行匹配,它会捕获“mydomain.com”。有没有办法对此进行改进以仅在它前面有空格时才捕获它?
还要注意,这非常适合捕获用户输入的网址
请注意,grepcode.com 不再可用,here 是我认为 是指向 Android 源代码中正确位置的链接。我认为 Android 使用的正则表达式可能自 2013 年以来已更新(原始帖子),但似乎自 2015 年以来没有更新,因此可能缺少一些较新的 TLD。【参考方案4】:
基于Crescent Fresh答案
如果您想检测 带有 http:// 或 不带 http:// 和 www. 的链接。您可以使用以下方法
function urlify(text)
var urlRegex = /(((https?:\/\/)|(www\.))[^\s]+)/g;
//var urlRegex = /(https?:\/\/[^\s]+)/g;
return text.replace(urlRegex, function(url,b,c)
var url2 = (c == 'www.') ? 'http://' +url : url;
return '<a href="' +url2+ '" target="_blank">' + url + '</a>';
)
【讨论】:
这是一个很好的解决方案,但我还想检查文本中是否应该已经包含 href。我试过这个正则表达式 = /((?!href)((https?:\/\/)|(www\.)|(mailto:))[^\s]+)/gi 但它不起作用。你能帮我解决这个问题吗,或者为什么上面的正则表达式不起作用。 我很高兴您还在返回的输出中添加了 target="_blank"。这个版本是我想要的。没有什么太重要了(否则我会使用 Linkifyjs)足以获得大多数链接。 这将匹配像 www.xyz 这样的重要网址【参考方案5】:NPM 上的这个库看起来挺全面的https://www.npmjs.com/package/linkifyjs
Linkify 是一个小而全面的 JavaScript 插件,用于查找纯文本 URL 并将其转换为 HTML 链接。它适用于所有有效的 URL 和电子邮件地址。
【讨论】:
我刚刚在我的项目中实现了 linkifyjs,这太棒了。 Linkifyjs 应该是这个问题的答案。另一个要看的是github.com/twitter/twitter-text【参考方案6】:还可以进一步改进功能以渲染图像:
function renderHTML(text)
var rawText = strip(text)
var urlRegex =/(\b(https?|ftp|file):\/\/[-A-Z0-9+&@#\/%?=~_|!:,.;]*[-A-Z0-9+&@#\/%=~_|])/ig;
return rawText.replace(urlRegex, function(url)
if ( ( url.indexOf(".jpg") > 0 ) || ( url.indexOf(".png") > 0 ) || ( url.indexOf(".gif") > 0 ) )
return '<img src="' + url + '">' + '<br/>'
else
return '<a href="' + url + '">' + url + '</a>' + '<br/>'
)
或者对于链接到全尺寸图像的缩略图:
return '<a href="' + url + '"><img style="width: 100px; border: 0px; -moz-border-radius: 5px; border-radius: 5px;" src="' + url + '">' + '</a>' + '<br/>'
这里是 strip() 函数,它通过删除任何现有的 html 来预处理文本字符串以保持一致性。
function strip(html)
var tmp = document.createElement("DIV");
tmp.innerHTML = html;
var urlRegex =/(\b(https?|ftp|file):\/\/[-A-Z0-9+&@#\/%?=~_|!:,.;]*[-A-Z0-9+&@#\/%=~_|])/ig;
return tmp.innerText.replace(urlRegex, function(url)
return '\n' + url
)
【讨论】:
【参考方案7】:已有npm包:url-regex,只需使用yarn add url-regex
或npm install url-regex
安装并使用如下:
const urlRegex = require('url-regex');
const replaced = 'Find me at http://www.example.com and also at http://***.com or at google.com'
.replace(urlRegex(strict: false), function(url)
return '<a href="' + url + '">' + url + '</a>';
);
【讨论】:
【参考方案8】:let str = 'https://example.com is a great site'
str.replace(/(https?:\/\/[^\s]+)/g,"<a href='$1' target='_blank' >$1</a>")
短代码大工作!...
结果:-
<a href="https://example.com" target="_blank" > https://example.com </a>
【讨论】:
【参考方案9】:如果您想检测带有 http:// 或不带 http:// 或 ftp 的链接或其他可能的情况(例如在末尾删除尾随标点符号),请查看此代码。
https://jsfiddle.net/AndrewKang/xtfjn8g3/
一个简单的使用方法就是使用 NPM
npm install --save url-knife
【讨论】:
【参考方案10】:试试这个:
function isUrl(s)
if (!isUrl.rx_url)
// taken from https://gist.github.com/dperini/729294
isUrl.rx_url=/^(?:(?:https?|ftp):\/\/)?(?:\S+(?::\S*)?@)?(?:(?!(?:10|127)(?:\.\d1,3)3)(?!(?:169\.254|192\.168)(?:\.\d1,3)2)(?!172\.(?:1[6-9]|2\d|3[0-1])(?:\.\d1,3)2)(?:[1-9]\d?|1\d\d|2[01]\d|22[0-3])(?:\.(?:1?\d1,2|2[0-4]\d|25[0-5]))2(?:\.(?:[1-9]\d?|1\d\d|2[0-4]\d|25[0-4]))|(?:(?:[a-z\u00a1-\uffff0-9]-*)*[a-z\u00a1-\uffff0-9]+)(?:\.(?:[a-z\u00a1-\uffff0-9]-*)*[a-z\u00a1-\uffff0-9]+)*(?:\.(?:[a-z\u00a1-\uffff]2,))\.?)(?::\d2,5)?(?:[/?#]\S*)?$/i;
// valid prefixes
isUrl.prefixes=['http:\/\/', 'https:\/\/', 'ftp:\/\/', 'www.'];
// taken from https://w3techs.com/technologies/overview/top_level_domain/all
isUrl.domains=['com','ru','net','org','de','jp','uk','br','pl','in','it','fr','au','info','nl','ir','cn','es','cz','kr','ua','ca','eu','biz','za','gr','co','ro','se','tw','mx','vn','tr','ch','hu','at','be','dk','tv','me','ar','no','us','sk','xyz','fi','id','cl','by','nz','il','ie','pt','kz','io','my','lt','hk','cc','sg','edu','pk','su','bg','th','top','lv','hr','pe','club','rs','ae','az','si','ph','pro','ng','tk','ee','asia','mobi'];
if (!isUrl.rx_url.test(s)) return false;
for (let i=0; i<isUrl.prefixes.length; i++) if (s.startsWith(isUrl.prefixes[i])) return true;
for (let i=0; i<isUrl.domains.length; i++) if (s.endsWith('.'+isUrl.domains[i]) || s.includes('.'+isUrl.domains[i]+'\/') ||s.includes('.'+isUrl.domains[i]+'?')) return true;
return false;
function isEmail(s)
if (!isEmail.rx_email)
// taken from http://***.com/a/16016476/460084
var sQtext = '[^\\x0d\\x22\\x5c\\x80-\\xff]';
var sDtext = '[^\\x0d\\x5b-\\x5d\\x80-\\xff]';
var sAtom = '[^\\x00-\\x20\\x22\\x28\\x29\\x2c\\x2e\\x3a-\\x3c\\x3e\\x40\\x5b-\\x5d\\x7f-\\xff]+';
var sQuotedPair = '\\x5c[\\x00-\\x7f]';
var sDomainLiteral = '\\x5b(' + sDtext + '|' + sQuotedPair + ')*\\x5d';
var sQuotedString = '\\x22(' + sQtext + '|' + sQuotedPair + ')*\\x22';
var sDomain_ref = sAtom;
var sSubDomain = '(' + sDomain_ref + '|' + sDomainLiteral + ')';
var sWord = '(' + sAtom + '|' + sQuotedString + ')';
var sDomain = sSubDomain + '(\\x2e' + sSubDomain + ')*';
var sLocalPart = sWord + '(\\x2e' + sWord + ')*';
var sAddrSpec = sLocalPart + '\\x40' + sDomain; // complete RFC822 email address spec
var sValidEmail = '^' + sAddrSpec + '$'; // as whole string
isEmail.rx_email = new RegExp(sValidEmail);
return isEmail.rx_email.test(s);
还将识别诸如google.com
、http://www.google.bla
、http://google.bla
、www.google.bla
等网址,但不能识别google.bla
【讨论】:
【参考方案11】:通用的面向对象解决方案
对于像我这样使用不允许直接操作 DOM 的框架的人,我创建了一个函数,它接受一个字符串并返回一个 url
/plainText
对象数组,可用于创建任何 UI你想要的表现形式。
网址正则表达式
对于我使用的 URL 匹配(略微改编)h0mayun
正则表达式:/(?:(?:https?:\/\/)|(?:www\.))[^\s]+/g
我的函数还会从 URL 末尾删除标点符号,例如 .
和 ,
答案解释得很好)为此,我将以下正则表达式应用于匹配的 URL /^(.+?)([.,?!'"]*)$/
。
打字稿代码
export function urlMatcherInText(inputString: string): UrlMatcherResult[]
if (! inputString) return [];
const results: UrlMatcherResult[] = [];
function addText(text: string)
if (! text) return;
const result = new UrlMatcherResult();
result.type = 'text';
result.value = text;
results.push(result);
function addUrl(url: string)
if (! url) return;
const result = new UrlMatcherResult();
result.type = 'url';
result.value = url;
results.push(result);
const findUrlRegex = /(?:(?:https?:\/\/)|(?:www\.))[^\s]+/g;
const cleanUrlRegex = /^(.+?)([.,?!'"]*)$/;
let match: RegExpExecArray;
let indexOfStartOfString = 0;
do
match = findUrlRegex.exec(inputString);
if (match)
const text = inputString.substr(indexOfStartOfString, match.index - indexOfStartOfString);
addText(text);
var dirtyUrl = match[0];
var urlDirtyMatch = cleanUrlRegex.exec(dirtyUrl);
addUrl(urlDirtyMatch[1]);
addText(urlDirtyMatch[2]);
indexOfStartOfString = match.index + dirtyUrl.length;
while (match);
const remainingText = inputString.substr(indexOfStartOfString, inputString.length - indexOfStartOfString);
addText(remainingText);
return results;
export class UrlMatcherResult
public type: 'url' | 'text'
public value: string
【讨论】:
【参考方案12】:tmp.innerText 未定义。你应该使用 tmp.innerHTML
function strip(html)
var tmp = document.createElement("DIV");
tmp.innerHTML = html;
var urlRegex =/(\b(https?|ftp|file):\/\/[-A-Z0-9+&@#\/%?=~_|!:,.;]*[-A-Z0-9+&@#\/%=~_|])/ig;
return tmp.innerHTML .replace(urlRegex, function(url)
return '\n' + url
)
【讨论】:
【参考方案13】:您可以使用这样的正则表达式来提取正常的 url 模式。
(https?:\/\/(?:www\.|(?!www))[a-zA-Z0-9][a-zA-Z0-9-]+[a-zA-Z0-9]\.[^\s]2,|www\.[a-zA-Z0-9][a-zA-Z0-9-]+[a-zA-Z0-9]\.[^\s]2,|https?:\/\/(?:www\.|(?!www))[a-zA-Z0-9]+\.[^\s]2,|www\.[a-zA-Z0-9]+\.[^\s]2,)
如果您需要更复杂的模式,请使用这样的库。
https://www.npmjs.com/package/pattern-dreamer
【讨论】:
(?:www\.|(?!www))
的目的是什么?为什么wwwww.com
无效?
你是对的。实际上我只是把它当作许多使用正则表达式的人。我建议使用上面的链接库。 url检测要考虑很多情况,所以正则表达式应该比较复杂。以上是关于使用 JavaScript 检测文本中的 URL的主要内容,如果未能解决你的问题,请参考以下文章