uri - 如何匹配文本中的 URI？

Question

如何在文本 block 中发现 URI？

这个想法是将这样的文本运行变成链接。如果只考虑 http(s) 和 ftp(s) 方案，这很容易做到；但是，我猜测一般问题(考虑 tel、mailto 和其他 URI 方案)要复杂得多(如果可能的话)。

如果可能的话，我更喜欢 C# 中的解决方案。谢谢。

Answer 1

正则表达式可能是一个很好的起点，尽管众所周知 URI 和 URL 很难与单一模式匹配。

举例来说，最简单的模式看起来相当复杂(在 Perl 5 表示法中):

\w+:\/{2}[\d\w-]+(\.[\d\w-]+)*(?:(?:\/[^\s/]* ))*

这会匹配http://example.com/foo/bar-baz

和ftp://192.168.0.1/foo/file.txt

但至少会导致这些问题:

• mailto:support@stackoverflow.com(不匹配 - 没有 //，但存在 @)
• ftp://192.168.0.1.2(匹配，但数字太多，因此它不是有效的 URI)
• ftp://1000.120.0.1(匹配，但 IP 地址需要 0 到 255 之间的数字，因此它不是有效的 URI)
• nonexistantscheme://obvious.false.positive
• http://www.google.com/search?q=uri+regular+expression(匹配，但查询不匹配我认为这是 80:20 规则的一个例子。如果你想捕捉大多数东西，那么我会按照建议去做，如果你不能自己写一个像样的正则表达式的话。

如果您正在查看从相当受控的来源(例如机器生成的)中提取的文本，那么这将是最好的做法。

如果您绝对肯定必须捕获遇到的每个 URI，并且您正在查看来自野外的文本，那么我想我会寻找其中包含冒号的任何单词，例如\s(\w:\S+)\s。一旦您有合适的 URI 候选者，然后将其传递给您正在使用的任何库的 URI 类中的真实 URI 解析器。

如果您对为什么很难编写 URI 模式感兴趣，我猜 URI 的定义是用 Type-2 grammar 完成的。 , 而正则表达式只能解析来自 Type-3 grammars 的语言.