Regulärer Ausdruck für URLs in Java

86

Ich benutze RegexBuddy, während ich mit regulären Ausdrücken arbeite. Aus seiner Bibliothek habe ich den regulären Ausdruck kopiert, um mit den URLs übereinzustimmen. Ich habe erfolgreich in RegexBuddy getestet. Wenn ich es jedoch als Java- StringVersion kopiert und in Java-Code eingefügt habe, funktioniert es nicht. Die folgenden Klassen drucken false:

public class RegexFoo {

    public static void main(String[] args) {
        String regex = "\\b(https?|ftp|file)://[-A-Z0-9+&@#/%?=~_|!:,.;]*[-A-Z0-9+&@#/%=~_|]";
        String text = "http://google.com";
        System.out.println(IsMatch(text,regex));
}

    private static boolean IsMatch(String s, String pattern) {
        try {
            Pattern patt = Pattern.compile(pattern);
            Matcher matcher = patt.matcher(s);
            return matcher.matches();
        } catch (RuntimeException e) {
        return false;
    }       
}   
}

Weiß jemand was ich falsch mache?

Sergio del Amo
quelle
4
Sergio, fange keine RuntimeException. Es kann subtile Fehler verursachen und ist insgesamt eine schlechte Praxis. Wenn Sie das Szenario nur ignorieren möchten, wenn der Ausdruck unzulässig ist, verwenden Sie stattdessen:} catch (PatternSyntaxException pse) {}. Siehe Punkt 57 von: java.sun.com/docs/books/effective
OscarRyz
Oder Sie können Pattern patt = Pattern.compile (pattern, Pattern.CASE_INSENSITIVE) verwenden. um zu vermeiden, dass der reguläre Ausdruck so geändert wird, dass er sowohl Groß- als auch Kleinbuchstaben entspricht.
jm4
Ich weiß, dass dies wirklich alt ist ('08), aber für alle, die ähnliche Probleme haben, hat RegexBuddy die Registerkarte "Verwenden". Stellen Sie sicher, dass Sie zuerst die Java 7-Variante auswählen und dann im Bereich "Verwenden" den Java-Code für Ihren speziellen Fall generieren lassen. Das hat bei mir gut funktioniert.
Daniel F

Antworten:

106

Versuchen Sie stattdessen die folgende Regex-Zeichenfolge. Ihr Test wurde wahrscheinlich in Groß- und Kleinschreibung durchgeführt. Ich habe die Kleinbuchstaben sowie einen richtigen Platzhalter für den Zeichenfolgenanfang hinzugefügt.

String regex = "^(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]";

Das funktioniert auch:

String regex = "\\b(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]";

Hinweis:

String regex = "<\\b(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // matches <http://google.com>

String regex = "<^(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // does not match <http://google.com>
TomC
quelle
1
Mit deinem regulären Ausdruck werde ich auch falsch.
Sergio del Amo
Hast du meine letzte Bearbeitung mitbekommen? Ich habe den Anfang der Saite fett gefingert. Ich habe es gerade in Eclipse kopiert und werde "wahr".
TomC
1
Danke Mann, zum ersten Mal sehe ich Nutzen für die Kommentare in Stackoverflow
Sergio del Amo
1
Kein Problem. Wenn Sie Eclipse verwenden, verwende ich gerne das RegEx Tester-Plugin, das hier verfügbar ist. Brosinski.com/regex
TomC
Danke für den Link, den ich benutze Eclipse
Sergio del Amo
96

Der beste Weg, dies jetzt zu tun, ist:

android.util.Patterns.WEB_URL.matcher(linkUrl).matches();

BEARBEITEN: Code von Patternsvon https://github.com/android/platform_frameworks_base/blob/master/core/java/android/util/Patterns.java :

/*
 * Copyright (C) 2007 The Android Open Source Project
 *
 * Licensed under the Apache License, Version 2.0 (the "License");
 * you may not use this file except in compliance with the License.
 * You may obtain a copy of the License at
 *
 *      http://www.apache.org/licenses/LICENSE-2.0
 *
 * Unless required by applicable law or agreed to in writing, software
 * distributed under the License is distributed on an "AS IS" BASIS,
 * WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
 * See the License for the specific language governing permissions and
 * limitations under the License.
 */

package android.util;

import java.util.regex.Matcher;
import java.util.regex.Pattern;

/**
 * Commonly used regular expression patterns.
 */
public class Patterns {
    /**
     *  Regular expression to match all IANA top-level domains.
     *  List accurate as of 2011/07/18.  List taken from:
     *  http://data.iana.org/TLD/tlds-alpha-by-domain.txt
     *  This pattern is auto-generated by frameworks/ex/common/tools/make-iana-tld-pattern.py
     *
     *  @deprecated Due to the recent profileration of gTLDs, this API is
     *  expected to become out-of-date very quickly. Therefore it is now
     *  deprecated.
     */
    @Deprecated
    public static final String TOP_LEVEL_DOMAIN_STR =
        "((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[eghimnprwyz]"
        + "|l[abcikrstuvy]"
        + "|(mil|mobi|museum|m[acdeghklmnopqrstuvwxyz])"
        + "|(name|net|n[acefgilopruz])"
        + "|(org|om)"
        + "|(pro|p[aefghklmnrstwy])"
        + "|qa"
        + "|r[eosuw]"
        + "|s[abcdeghijklmnortuvyz]"
        + "|(tel|travel|t[cdfghjklmnoprtvwz])"
        + "|u[agksyz]"
        + "|v[aceginu]"
        + "|w[fs]"
        + "|(\u03b4\u03bf\u03ba\u03b9\u03bc\u03ae|\u0438\u0441\u043f\u044b\u0442\u0430\u043d\u0438\u0435|\u0440\u0444|\u0441\u0440\u0431|\u05d8\u05e2\u05e1\u05d8|\u0622\u0632\u0645\u0627\u06cc\u0634\u06cc|\u0625\u062e\u062a\u0628\u0627\u0631|\u0627\u0644\u0627\u0631\u062f\u0646|\u0627\u0644\u062c\u0632\u0627\u0626\u0631|\u0627\u0644\u0633\u0639\u0648\u062f\u064a\u0629|\u0627\u0644\u0645\u063a\u0631\u0628|\u0627\u0645\u0627\u0631\u0627\u062a|\u0628\u06be\u0627\u0631\u062a|\u062a\u0648\u0646\u0633|\u0633\u0648\u0631\u064a\u0629|\u0641\u0644\u0633\u0637\u064a\u0646|\u0642\u0637\u0631|\u0645\u0635\u0631|\u092a\u0930\u0940\u0915\u094d\u0937\u093e|\u092d\u093e\u0930\u0924|\u09ad\u09be\u09b0\u09a4|\u0a2d\u0a3e\u0a30\u0a24|\u0aad\u0abe\u0ab0\u0aa4|\u0b87\u0ba8\u0bcd\u0ba4\u0bbf\u0baf\u0bbe|\u0b87\u0bb2\u0b99\u0bcd\u0b95\u0bc8|\u0b9a\u0bbf\u0b99\u0bcd\u0b95\u0baa\u0bcd\u0baa\u0bc2\u0bb0\u0bcd|\u0baa\u0bb0\u0bbf\u0b9f\u0bcd\u0b9a\u0bc8|\u0c2d\u0c3e\u0c30\u0c24\u0c4d|\u0dbd\u0d82\u0d9a\u0dcf|\u0e44\u0e17\u0e22|\u30c6\u30b9\u30c8|\u4e2d\u56fd|\u4e2d\u570b|\u53f0\u6e7e|\u53f0\u7063|\u65b0\u52a0\u5761|\u6d4b\u8bd5|\u6e2c\u8a66|\u9999\u6e2f|\ud14c\uc2a4\ud2b8|\ud55c\uad6d|xn\\-\\-0zwm56d|xn\\-\\-11b5bs3a9aj6g|xn\\-\\-3e0b707e|xn\\-\\-45brj9c|xn\\-\\-80akhbyknj4f|xn\\-\\-90a3ac|xn\\-\\-9t4b11yi5a|xn\\-\\-clchc0ea0b2g2a9gcd|xn\\-\\-deba0ad|xn\\-\\-fiqs8s|xn\\-\\-fiqz9s|xn\\-\\-fpcrj9c3d|xn\\-\\-fzc2c9e2c|xn\\-\\-g6w251d|xn\\-\\-gecrj9c|xn\\-\\-h2brj9c|xn\\-\\-hgbk6aj7f53bba|xn\\-\\-hlcj6aya9esc7a|xn\\-\\-j6w193g|xn\\-\\-jxalpdlp|xn\\-\\-kgbechtv|xn\\-\\-kprw13d|xn\\-\\-kpry57d|xn\\-\\-lgbbat1ad8j|xn\\-\\-mgbaam7a8h|xn\\-\\-mgbayh7gpa|xn\\-\\-mgbbh1a71e|xn\\-\\-mgbc0a9azcg|xn\\-\\-mgberp4a5d4ar|xn\\-\\-o3cw4h|xn\\-\\-ogbpf8fl|xn\\-\\-p1ai|xn\\-\\-pgbs0dh|xn\\-\\-s9brj9c|xn\\-\\-wgbh1c|xn\\-\\-wgbl6a|xn\\-\\-xkc2al3hye2a|xn\\-\\-xkc2dl3a5ee0h|xn\\-\\-yfro4i67o|xn\\-\\-ygbi2ammx|xn\\-\\-zckzah|xxx)"
        + "|y[et]"
        + "|z[amw])";

    /**
     *  Regular expression pattern to match all IANA top-level domains.
     *  @deprecated This API is deprecated. See {@link #TOP_LEVEL_DOMAIN_STR}.
     */
    @Deprecated
    public static final Pattern TOP_LEVEL_DOMAIN =
        Pattern.compile(TOP_LEVEL_DOMAIN_STR);

    /**
     *  Regular expression to match all IANA top-level domains for WEB_URL.
     *  List accurate as of 2011/07/18.  List taken from:
     *  http://data.iana.org/TLD/tlds-alpha-by-domain.txt
     *  This pattern is auto-generated by frameworks/ex/common/tools/make-iana-tld-pattern.py
     *
     *  @deprecated This API is deprecated. See {@link #TOP_LEVEL_DOMAIN_STR}.
     */
    @Deprecated
    public static final String TOP_LEVEL_DOMAIN_STR_FOR_WEB_URL =
        "(?:"
        + "(?: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[eghimnprwyz]"
        + "|l[abcikrstuvy]"
        + "|(?:mil|mobi|museum|m[acdeghklmnopqrstuvwxyz])"
        + "|(?:name|net|n[acefgilopruz])"
        + "|(?:org|om)"
        + "|(?:pro|p[aefghklmnrstwy])"
        + "|qa"
        + "|r[eosuw]"
        + "|s[abcdeghijklmnortuvyz]"
        + "|(?:tel|travel|t[cdfghjklmnoprtvwz])"
        + "|u[agksyz]"
        + "|v[aceginu]"
        + "|w[fs]"
        + "|(?:\u03b4\u03bf\u03ba\u03b9\u03bc\u03ae|\u0438\u0441\u043f\u044b\u0442\u0430\u043d\u0438\u0435|\u0440\u0444|\u0441\u0440\u0431|\u05d8\u05e2\u05e1\u05d8|\u0622\u0632\u0645\u0627\u06cc\u0634\u06cc|\u0625\u062e\u062a\u0628\u0627\u0631|\u0627\u0644\u0627\u0631\u062f\u0646|\u0627\u0644\u062c\u0632\u0627\u0626\u0631|\u0627\u0644\u0633\u0639\u0648\u062f\u064a\u0629|\u0627\u0644\u0645\u063a\u0631\u0628|\u0627\u0645\u0627\u0631\u0627\u062a|\u0628\u06be\u0627\u0631\u062a|\u062a\u0648\u0646\u0633|\u0633\u0648\u0631\u064a\u0629|\u0641\u0644\u0633\u0637\u064a\u0646|\u0642\u0637\u0631|\u0645\u0635\u0631|\u092a\u0930\u0940\u0915\u094d\u0937\u093e|\u092d\u093e\u0930\u0924|\u09ad\u09be\u09b0\u09a4|\u0a2d\u0a3e\u0a30\u0a24|\u0aad\u0abe\u0ab0\u0aa4|\u0b87\u0ba8\u0bcd\u0ba4\u0bbf\u0baf\u0bbe|\u0b87\u0bb2\u0b99\u0bcd\u0b95\u0bc8|\u0b9a\u0bbf\u0b99\u0bcd\u0b95\u0baa\u0bcd\u0baa\u0bc2\u0bb0\u0bcd|\u0baa\u0bb0\u0bbf\u0b9f\u0bcd\u0b9a\u0bc8|\u0c2d\u0c3e\u0c30\u0c24\u0c4d|\u0dbd\u0d82\u0d9a\u0dcf|\u0e44\u0e17\u0e22|\u30c6\u30b9\u30c8|\u4e2d\u56fd|\u4e2d\u570b|\u53f0\u6e7e|\u53f0\u7063|\u65b0\u52a0\u5761|\u6d4b\u8bd5|\u6e2c\u8a66|\u9999\u6e2f|\ud14c\uc2a4\ud2b8|\ud55c\uad6d|xn\\-\\-0zwm56d|xn\\-\\-11b5bs3a9aj6g|xn\\-\\-3e0b707e|xn\\-\\-45brj9c|xn\\-\\-80akhbyknj4f|xn\\-\\-90a3ac|xn\\-\\-9t4b11yi5a|xn\\-\\-clchc0ea0b2g2a9gcd|xn\\-\\-deba0ad|xn\\-\\-fiqs8s|xn\\-\\-fiqz9s|xn\\-\\-fpcrj9c3d|xn\\-\\-fzc2c9e2c|xn\\-\\-g6w251d|xn\\-\\-gecrj9c|xn\\-\\-h2brj9c|xn\\-\\-hgbk6aj7f53bba|xn\\-\\-hlcj6aya9esc7a|xn\\-\\-j6w193g|xn\\-\\-jxalpdlp|xn\\-\\-kgbechtv|xn\\-\\-kprw13d|xn\\-\\-kpry57d|xn\\-\\-lgbbat1ad8j|xn\\-\\-mgbaam7a8h|xn\\-\\-mgbayh7gpa|xn\\-\\-mgbbh1a71e|xn\\-\\-mgbc0a9azcg|xn\\-\\-mgberp4a5d4ar|xn\\-\\-o3cw4h|xn\\-\\-ogbpf8fl|xn\\-\\-p1ai|xn\\-\\-pgbs0dh|xn\\-\\-s9brj9c|xn\\-\\-wgbh1c|xn\\-\\-wgbl6a|xn\\-\\-xkc2al3hye2a|xn\\-\\-xkc2dl3a5ee0h|xn\\-\\-yfro4i67o|xn\\-\\-ygbi2ammx|xn\\-\\-zckzah|xxx)"
        + "|y[et]"
        + "|z[amw]))";

    /**
     * Good characters for Internationalized Resource Identifiers (IRI).
     * This comprises most common used Unicode characters allowed in IRI
     * as detailed in RFC 3987.
     * Specifically, those two byte Unicode characters are not included.
     */
    public static final String GOOD_IRI_CHAR =
        "a-zA-Z0-9\u00A0-\uD7FF\uF900-\uFDCF\uFDF0-\uFFEF";

    public static final Pattern IP_ADDRESS
        = Pattern.compile(
            "((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]))");

    /**
     * RFC 1035 Section 2.3.4 limits the labels to a maximum 63 octets.
     */
    private static final String IRI
        = "[" + GOOD_IRI_CHAR + "]([" + GOOD_IRI_CHAR + "\\-]{0,61}[" + GOOD_IRI_CHAR + "]){0,1}";

    private static final String GOOD_GTLD_CHAR =
        "a-zA-Z\u00A0-\uD7FF\uF900-\uFDCF\uFDF0-\uFFEF";
    private static final String GTLD = "[" + GOOD_GTLD_CHAR + "]{2,63}";
    private static final String HOST_NAME = "(" + IRI + "\\.)+" + GTLD;

    public static final Pattern DOMAIN_NAME
        = Pattern.compile("(" + HOST_NAME + "|" + IP_ADDRESS + ")");

    /**
     *  Regular expression pattern to match most part of RFC 3987
     *  Internationalized URLs, aka IRIs.  Commonly used Unicode characters are
     *  added.
     */
    public static final Pattern WEB_URL = Pattern.compile(
        "((?:(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})?\\@)?)?"
        + "(?:" + DOMAIN_NAME + ")"
        + "(?:\\:\\d{1,5})?)" // plus option port number
        + "(\\/(?:(?:[" + GOOD_IRI_CHAR + "\\;\\/\\?\\:\\@\\&\\=\\#\\~"  // plus option query params
        + "\\-\\.\\+\\!\\*\\'\\(\\)\\,\\_])|(?:\\%[a-fA-F0-9]{2}))*)?"
        + "(?:\\b|$)"); // and finally, a word boundary or end of
                        // input.  This is to stop foo.sure from
                        // matching as foo.su

    public static final Pattern EMAIL_ADDRESS
        = Pattern.compile(
            "[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}" +
            ")+"
        );

    /**
     * This pattern is intended for searching for things that look like they
     * might be phone numbers in arbitrary text, not for validating whether
     * something is in fact a phone number.  It will miss many things that
     * are legitimate phone numbers.
     *
     * <p> The pattern matches the following:
     * <ul>
     * <li>Optionally, a + sign followed immediately by one or more digits. Spaces, dots, or dashes
     * may follow.
     * <li>Optionally, sets of digits in parentheses, separated by spaces, dots, or dashes.
     * <li>A string starting and ending with a digit, containing digits, spaces, dots, and/or dashes.
     * </ul>
     */
    public static final Pattern PHONE
        = Pattern.compile(                      // sdd = space, dot, or dash
                "(\\+[0-9]+[\\- \\.]*)?"        // +<digits><sdd>*
                + "(\\([0-9]+\\)[\\- \\.]*)?"   // (<digits>)<sdd>*
                + "([0-9][0-9\\- \\.]+[0-9])"); // <digit><digit|sdd>+<digit>

    /**
     *  Convenience method to take all of the non-null matching groups in a
     *  regex Matcher and return them as a concatenated string.
     *
     *  @param matcher      The Matcher object from which grouped text will
     *                      be extracted
     *
     *  @return             A String comprising all of the non-null matched
     *                      groups concatenated together
     */
    public static final String concatGroups(Matcher matcher) {
        StringBuilder b = new StringBuilder();
        final int numGroups = matcher.groupCount();

        for (int i = 1; i <= numGroups; i++) {
            String s = matcher.group(i);

            if (s != null) {
                b.append(s);
            }
        }

        return b.toString();
    }

    /**
     * Convenience method to return only the digits and plus signs
     * in the matching string.
     *
     * @param matcher      The Matcher object from which digits and plus will
     *                     be extracted
     *
     * @return             A String comprising all of the digits and plus in
     *                     the match
     */
    public static final String digitsAndPlusOnly(Matcher matcher) {
        StringBuilder buffer = new StringBuilder();
        String matchingRegion = matcher.group();

        for (int i = 0, size = matchingRegion.length(); i < size; i++) {
            char character = matchingRegion.charAt(i);

            if (character == '+' || Character.isDigit(character)) {
                buffer.append(character);
            }
        }
        return buffer.toString();
    }

    /**
     * Do not create this static utility class.
     */
    private Patterns() {}
}
Kamil Lelonek
quelle
3
+1 für dich! Ich danke dir sehr!!! Das ist großartiger Code! Jeder versucht dies mit schwierigem Regex, während es so einfach sein könnte. Genial!
Kevin van Mierlo
7
@JPM Außer dass das OP nach einer Java-Lösung suchte, die nicht für Android spezifisch ist (leicht zu vergessen, die spezifischen Tags für ein Q zu betrachten). Trotzdem ist es eine gute Sache für diejenigen, die Code für Android machen, darüber Bescheid zu wissen.
unteilbar
3
@indivisible zum Glück ist Android Open Source und Sie können den Code von github.com/android/platform_frameworks_base/blob/master/core/…
abrufen
3
@EpicPandaForce Ich denke, Ihr Kommentar ist das einzige, was diese Antwort akzeptabel / hilfreich macht, da die Frage nach einer javaLösung sucht , nichtandroid
Don Cheadle
1
Es wird nicht überprüft, ob die URL von http oder https ausgeht. Ich habe mit www.www getestet und es gab mir wahr. Also nicht nützlich für mich
FaisalAhmed
74

Ich werde einen Standard versuchen "Warum machst du das so?" Antwort ... Weißt du was java.net.URL?

URL url = new URL(stringURL);

Das obige wird ein auslösen, MalformedURLExceptionwenn die URL nicht analysiert werden kann.

billjamesdev
quelle
1
Ich muss den Weg der regulären Ausdrücke gehen. Was ich hier poste, ist so einfach wie möglich, um meine Frage klar zu machen. In meinem Programm verwende ich den URL-Regex in einem komplexeren Regex.
Sergio del Amo
Das ist cool. Ich hatte keine bessere Antwort in Bezug auf Regex, also dachte ich, ich würde eine Alternative posten. Ich hätte nicht gedacht, dass ich dafür verärgert werde.
Billjamesdev
2
Sie haben Recht, vielleicht war Down-Ticked ein bisschen zwei viel. Das "Ich werde den Standard ausprobieren" klang nur ein bisschen beleidigend.
Sergio del Amo
cool (sorry, schneller Urlaub). Ja, das war definitiv nicht so gedacht. Ich sehe das hier einfach sehr oft und manchmal hilft es sogar.
Billjamesdev
14
"Neue URL" löst nur dann eine MalformedURLException aus, wenn der Port <0 ist oder das Protokoll nicht versteht. Sonst geht alles. Es wird nicht fangen: 1.2.3. 1.2.3.4.5 1.2,3.4.5 : etc
David Newcomb
4

Das Problem bei allen vorgeschlagenen Ansätzen: Alle RegEx validieren

Der gesamte RegEx-basierte Code ist überarbeitet: Es werden nur gültige URLs gefunden! Als Beispiel wird alles ignoriert, was mit "http: //" beginnt und Nicht-ASCII-Zeichen enthält.

Noch mehr: Ich habe mit dem Java RegEx-Paket (Filtern von E-Mail-Adressen aus Text) Verarbeitungszeiten von 1-2 Sekunden (Single-Threaded, dediziert) für sehr kleine und einfache Sätze festgestellt, nichts Spezielles; möglicherweise Fehler in Java 6 RegEx ...

Die einfachste / schnellste Lösung wäre, StringTokenizer zu verwenden, um Text in Token aufzuteilen, Token, die mit "http: //" usw. beginnen, zu entfernen und Token erneut in Text zu verketten.

Wenn Sie E-Mails aus Text filtern möchten (weil Sie später NLP-Mitarbeiter usw. beschäftigen werden), entfernen Sie einfach alle Token, die "@" enthalten.

Dies ist ein einfacher Text, bei dem RegEx von Java 6 fehlschlägt. Versuchen Sie es in verschiedenen Varianten von Java. In einer lang laufenden Single-Threaded-Testanwendung dauert es ungefähr 1000 Millisekunden pro RegEx-Aufruf:

pattern = Pattern.compile("[A-Za-z0-9](([_\\.\\-]?[a-zA-Z0-9]+)*)@([A-Za-z0-9]+)(([\\.\\-]?[a-zA-Z0-9]+)*)\\.([A-Za-z]{2,})", Pattern.CASE_INSENSITIVE);

"Avalanna is such a sweet little girl! It would b heartbreaking if cancer won. She's so precious! #BeliebersPrayForAvalanna");
"@AndySamuels31 Hahahahahahahahahhaha lol, you don't look like a girl hahahahhaahaha, you are... sexy.";

Verlassen Sie sich nicht auf reguläre Ausdrücke, wenn Sie nur Wörter mit "@", "http: //", "ftp: //", "mailto:" filtern müssen. Es ist ein enormer technischer Aufwand.

Wenn Sie RegEx wirklich mit Java verwenden möchten, versuchen Sie es mit Automaton

Fuad Efendi
quelle
Lol. Automaton unterstützt keine Erfassungsgruppen.
user1050755
4
Ich verstehe deine Sorge nicht. Der reguläre Ausdruck der akzeptierten Antwort eignet sich tatsächlich gut zum Überprüfen von URLs. Sie scheinen es zu verspotten und zu sagen it will find only valid URLs!- das ist das Ziel der Frage von OP. Vermisse ich etwas
Don Cheadle
3

In Übereinstimmung mit der Antwort von billjamesdev gibt es hier einen anderen Ansatz zum Überprüfen einer URL ohne Verwendung eines RegEx:

Sehen Sie sich in der Apache Commons Validator- Bibliothek die Klasse UrlValidator an . Ein Beispielcode:

Erstellen Sie einen UrlValidator mit gültigen Schemata "http" und "https".

String[] schemes = {"http","https"}.
UrlValidator urlValidator = new UrlValidator(schemes);
if (urlValidator.isValid("ftp://foo.bar.com/")) {
   System.out.println("url is valid");
} else {
   System.out.println("url is invalid");
}

prints "url is invalid"

Wenn stattdessen der Standardkonstruktor verwendet wird.

UrlValidator urlValidator = new UrlValidator();
if (urlValidator.isValid("ftp://foo.bar.com/")) {
   System.out.println("url is valid");
} else {
   System.out.println("url is invalid");
}

druckt aus "URL ist gültig"

Cavaleiro
quelle
2

Das funktioniert auch:

String regex = "\\b(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]";

Hinweis:

String regex = "<\\b(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // matches <http://google.com>

String regex = "<^(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // does not match <http://google.com>

Daher ist der erste wahrscheinlich für den allgemeinen Gebrauch nützlicher.

Sergio del Amo
quelle
1
((http?|https|ftp|file)://)?((W|w){3}.)?[a-zA-Z0-9]+\.[a-zA-Z]+

hier überprüfen: - https://www.freeformatter.com/java-regex-tester.html#ad-output

Diese Einträge werden korrekt sortiert

Abhiraj
quelle
Es schlägt für Sonderzeichen fehl
Sankalp Kotewar
Ich brauchte Regex, um URLs aus Songnamen zu entfernen. Konnte keinen finden oder sollte ich sagen, dass die meisten fehlgeschlagen sind, also habe ich gepostet, was für mich und in diesen Fällen
funktioniert hat
ja, tut es. Überprüfen Sie es auf dem bereitgestellten Link.
Abhiraj
0

Wenn Sie reguläre Ausdrücke aus der Bibliothek von RegexBuddy verwenden, stellen Sie sicher, dass Sie in Ihrem eigenen Code dieselben Übereinstimmungsmodi verwenden wie den regulären Ausdruck aus der Bibliothek. Wenn Sie auf der Registerkarte Verwenden ein Quellcode-Snippet generieren, legt RegexBuddy automatisch die richtigen Übereinstimmungsoptionen im Quellcode-Snippet fest. Wenn Sie den regulären Ausdruck kopieren / einfügen, müssen Sie dies selbst tun.

In diesem Fall haben Sie, wie andere betonten, die Option für die Unempfindlichkeit gegenüber Groß- und Kleinschreibung verpasst.

Jan Goyvaerts
quelle