正确匹配IDN URL

Question

我需要帮助构建一个正则表达式，该表达式可以与自由文本中的URL正确匹配.

• 方案
  • 以下内容之一：ftp、http、https ( ftps是协议吗？)

​

• 可选的用户(和可选的pass)
• 主机(支持IDN)
  • 支持、www、和(支持IDN)
  • TLDs的基本过滤(我认为[a-zA-Z]{2,6}就足够了)

​

• 可选端口号
• path (可选，支持Unicode字符)
• 查询(可选，支持Unicode字符)
• 片段(可选，支持Unicode字符)

以下是我可以找到的关于子域的信息：

“子域”表示相对依赖，而不是绝对依赖:例如，wikipedia.org包括组织域的子域，en.wikipedia.org包括域wikipedia.org的子域。理论上，这种细分可以降到127个层次，每个DNS标签可以包含多达63个字符，只要整个域名不超过255个字符的总长度。

关于域名本身，我找不到任何可靠的来源，但我认为非IDN 的正则表达式(我不知道如何编写与IDN兼容的版本)如下所示：

[0-9a-zA-Z][0-9a-zA-Z\-]{2,62}

，有人能帮我完成这个正则表达式吗？

Answer 1

John，著名的大胆火球，有最近的一篇文章，详细说明了他寻找一个良好的URL识别正则字符串。他想出的是：

\b(([\w-]+://?|www[.])[^\s()<>]+(?:\([\w\d]+\)|([^[:punct:]\s]|/)))

这显然也适用于包含Unicode的URL。你需要对它做一些轻微的修改，才能得到你想要的其他东西--方案，用户名，密码等等。艾伦·斯托姆写了一篇文章解释格鲁伯的正则表达式，这是我绝对需要的(regex是如此的写了一篇文章解释格鲁伯的正则表达式

Answer 2

如果您需要该协议，并且不太担心假阳性，那么到目前为止，最简单的方法是匹配://周围的所有非空白字符。

Answer 3

这会让你大老远跑到那里。如果您需要它更精细，请提供测试数据。

(ftp|https?)://([-\w\.]+)+(:\d+)?(/([\w/_\.]*(\?\S+)?)?)?