从给定字符串中提取 url 的 C# 正则表达式模式 - 不是完整的 html url，而是裸链接

Posted 2023-02-22

【中文标题】从给定字符串中提取 url 的 C# 正则表达式模式 - 不是完整的 html url，而是裸链接

【英文标题】：C# regex pattern to extract urls from given string - not full html urls but bare links as well

【发布时间】：2012-05-21 13:05:06

【问题描述】：

我需要一个正则表达式来执行以下操作

Extract all strings which starts with http://
Extract all strings which starts with www.

所以我需要提取这 2 个。

例如下面有这个给定的字符串文本

house home go www.monstermmorpg.com nice hospital http://www.monstermmorpg.com this is incorrect url http://www.monstermmorpg.commerged continue

所以从上面给出的字符串我会得到

    www.monstermmorpg.com
http://www.monstermmorpg.com
http://www.monstermmorpg.commerged

寻找正则表达式或其他方式。谢谢。

C# 4.0

【问题讨论】：

最近弹出机器人向我的游戏玩家发送网址。我不允许这样做:) 虽然我需要允许内部链接。

也许你应该考虑不使用正则表达式，因为它是解析 html 的一种尴尬方法...***.com/questions/590747/…

【参考方案1】：

您可以编写一些非常简单的正则表达式来处理这个问题，或者通过更传统的字符串拆分 + LINQ 方法。

正则表达式

var linkParser = new Regex(@"\b(?:https?://|www\.)\S+\b", RegexOptions.Compiled | RegexOptions.IgnoreCase);
var rawString = "house home go www.monstermmorpg.com nice hospital http://www.monstermmorpg.com this is incorrect url http://www.monstermmorpg.commerged continue";
foreach(Match m in linkParser.Matches(rawString))
    MessageBox.Show(m.Value);

说明 图案：

\b       -matches a word boundary (spaces, periods..etc)
(?:      -define the beginning of a group, the ?: specifies not to capture the data within this group.
https?://  - Match http or https (the '?' after the "s" makes it optional)
|        -OR
www\.    -literal string, match www. (the \. means a literal ".")
)        -end group
\S+      -match a series of non-whitespace characters.
\b       -match the closing word boundary.

基本上，该模式会查找以http:// OR https:// OR www. (?:https?://|www\.) 开头的字符串，然后匹配所有字符直到下一个空格。

传统字符串选项

var rawString = "house home go www.monstermmorpg.com nice hospital http://www.monstermmorpg.com this is incorrect url http://www.monstermmorpg.commerged continue";
var links = rawString.Split("\t\n ".ToCharArray(), StringSplitOptions.RemoveEmptyEntries).Where(s => s.StartsWith("http://") || s.StartsWith("www.") || s.StartsWith("https://"));
foreach (string s in links)
    MessageBox.Show(s);

【讨论】：

如果要解析 HTML 字符串的一部分，答案中的正则表达式不起作用。请改用以下一个：@"http(s)?://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?"

正则表达式 @"\b(?:https?://|www\.)[^ \f\n\r\t\v\]]+\b" 工作得更好一些（在我的情况下无论如何），就像 URL 包含在 BB 标记中一样，它将包含 ] 作为 URL 的一部分。

@TomGullen 公平点。但是，方括号实际上是有效的 URL 字符（根据 RFC 规范），因此我将按原样保留答案，因为它仅适用于最一般的情况。

【参考方案2】：

使用Nikita's回复，我很容易得到字符串中的url：

using System.Text.RegularExpressions;

string myString = "test =) https://google.com/";

Match url = Regex.Match(myString, @"http(s)?://([\w-]+\.)+[\w-]+(/[\w- ./?%&=]*)?");

string finalUrl = url.ToString();

【参考方案3】：

不适用于包含 URL 的 html

例如

<table><tr><td class="sub-img car-sm" rowspan ="1"><img src="https://s3bucket/abc/xyzxyzxyz/subject/jkljlk757cc617-a560-48f5-bea1-f7c066a24350_202008210836495252.jpg?X-Amz-Expires=1800&X-Amz-Algorithm=abcabcabc&X-Amz-Credential=AKIAVCAFR2PUOE4WV6ZX/20210107/ap-south-1/s3/aws4_request&X-Amz-Date=20210107T134049Z&X-Amz-SignedHeaders=host&X-Amz-Signature=3cc6301wrwersdf25fb13sdfcfe8c26d88ca1949e77d9e1d9af4bba126aa5fa91a308f7883e"></td><td class="icon"></td></tr></table>

对于需要使用下面的正则表达式

Regex regx = new Regex("http://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?", RegexOptions.IgnoreCase);