URL 检测和 BB 样式标签（正则表达式、前瞻问题）

Posted 2023-02-24

【中文标题】URL 检测和 BB 样式标签（正则表达式、前瞻问题）

【英文标题】：URL detection and BB-Style tags (regex, look-ahead issue)

【发布时间】：2013-02-06 23:24:35

【问题描述】：

所以我正在构建一个小型 CMS，并且我想避免在内容编辑器中允许 html。出于这个原因，我想检测文本中的原始 URL 以及支持类似 BB 的标签，以便更好地自定义。

www.example.com
[link http://www.example.com]Click me[/link]

不幸的是，我对正则表达式还很陌生，我似乎无法使其正常工作。我在字符串上运行两个正则表达式：第一个检测原始 URL，第二个检测类似 BB 的 URL。后者似乎工作得很好，但第一个会干扰，并且也会转换包含在标签中的 URL。

我从找到here 的一段代码开始，并做了一些补充。

这是非标记网址的代码：

/* don't match URLs preceeded by '[link ' */
(?<!\[link\s)
(
    /* match all combinations of protocol and www. */
    (\bhttps?://www\.|\bhttps?://|(?<!//)\bwww\.)

    /* match URL (no changes made here) */
    ([^\s()<>]+(?:\([\w\d]+\)|([^[:punct:]\s]|/)))

    /* but don't match if followed by [/link] - THIS DOESN'T WORK */
    (?!\[/link\])
)

www. 之前的负面回溯是因为/ 不是单词字符，没有它类似于

 [link http://www.example.com]example[/link]

在http:// 之后仍然会匹配。

上面的正则表达式产生以下匹配（用http://gskinner.com/RegExr/测试，匹配是bold。我不得不在http://之后添加空格，因为我不允许发布更多的网址）：

www.example.comhttp://www.example.comhttp://example.com [链接http://www.example.com]no问题1[/link] [链接www.example.com]没问题2[/link] [链接http://www.example.com]http://www.example.com[/link]

我尝试移动否定的前瞻并玩弄括号（非常漫无目的），但没有成功。

为了完整起见，这里是标签匹配的正则表达式（似乎有效）：

(?:\[link\s)(\bhttps?://|\bwww\.|\bhttps?://www\.)([^\s()<>]+(?:\([\w\d]+\)|([^[:punct:]\s]|/)))\](.*)(?:\[/link\])

我相信有人可以立即发现错误。

提前非常感谢！

【问题讨论】：

(?!\[/link\]) 前瞻将失败，因为 PCRE 将连续缩短之前的匹配以成功。您可能需要使 URL 匹配超级贪婪。尝试(?> ...) 使其具有原子性。

您能详细说明一下吗？我尝试使各种组原子化，但没有成功（但我不确定我是否完全理解原子组）。

【参考方案1】：

我已经采用了您的正则表达式，并使用您提供的示例将其插入到 regexr 中，并尝试使其工作。

一步一步：

1) 原始正则表达式：http://regexr.com?33snj。这个正则表达式也匹配 [/link] 的问题在于 URL 匹配位：

[^\s()<>]+

这也将匹配左括号字符“[”，因此匹配不会在遇到 [/link] 位时停止。可以说 [ 字符是有效的 URI 字符，但这仅在极少数情况下（有关更多信息，请参阅 this*** 帖子）。

2) 我决定继续使用您的正则表达式，但将左括号字符添加到否定字符列表中：

[^\s()<>[]+

这会让你陷入另一个问题。见http://regexr.com?33snp。由于回溯，引擎现在在最后找到了一种绕过负前瞻的方法。

3) 一旦您使 URL 匹配组原子化（通过将 ?> 添加到捕获组的开头），引擎就会停止回溯，我们已经达到了预期的结果。

(?<!\[link\s)((\bhttps?://www\.|\bhttps?://|(?<!//)\bwww\.)(?>[^\s()<>[]+(?:\([\w\d]+\)|([^[:punct:]\s]|/)))(?!\[/link\]))

看到它在行动http://regexr.com?33sns。

【讨论】：

我实际上也尝试将左括号添加到否定字符，但由于担心不再检测到某些 URL（除了它不起作用，因为我没有使捕获组原子）-但是，通过您提供的链接，我现在对此解决方案非常满意。非常感谢！

我理解这种担忧。这个 url 匹配很简单，但可以完成工作。我不会只允许括号。相反，我会去识别 url 中的 IPv6 地址。

另外我不知道你为什么需要这个 (?:([\w\d]+)|([^[:punct:]\s]|/)) 在 url 匹配位后面.研究更好的 url 匹配模式可能是值得的。请注意不要在匹配中包含括号:)