java - URL 自动检测并在文本 block 中突出显示

Question

例如，用户可以输入文本

This is some text, visit www.mysite.com. Thanks & bye.

应该找到 URL 并将其转换为链接，以便在网站中显示。所有其他字符应按原样显示。

我已经搜索和谷歌搜索了一段时间了。我确信这种事情肯定已经存在了。我很想自己编程，但我确信这比看起来更复杂。

• 点可以是 URL 的一部分，也可以是如上所述的句子终止符。我认为用户有这样的期望:这件事能得到妥善处理；例如，Outlook 可以正确处理此问题。
• 有各种不同的协议(protocol)，例如 http:、https: 等，而且输入的链接通常不带协议(protocol)说明符，如上所述。
• 有必要生成 HTML(以便可以插入 标记)，因此有必要替换例如& 与 &在这样做之前；然而，有些 URL 中含有 &(例如 xyz.cgi?a=b&c=d)，而我们只需要 &插入到 URL 的可显示部分，而不是链接本身 (...&...)

我确信，当我尝试自己编程时，我还会遇到其他问题。我不认为简单的正则表达式是前进的方向。

是否有任何库已经做到了这一点，特别适合 Java？ (如果它是另一种技术，也许我可以看一下并将其转换为 Java)

Answer 1

虽然你说这是一个常见问题，但它也是一个在任何地方都没有真正得到令人满意解决的问题，也不可能得到解决。像这样以自由文本编写的没有标记的 URI 可能会不明确(例如，请参阅 http://en.wikisource.org/wiki/1911_Encyclop%C3%A6dia_Britannica/Aga_Khan_I.，您如何知道“.”不是“句子结束”句号，而实际上是 URI 的一部分？)。您可以看看the problem with urls有关问题的介绍以及评论中内容丰富的讨论。归根结底，您可以尽最大努力，例如匹配协议(protocol)、寻找有效的顶级域(其中包括a lot more，比您一开始想象的要大)，但总有东西会漏网。

为了尝试向您提供一些伪代码，我会说以下内容是我首先要说的:

process() {
    List<String> looksLikeUri = getMatches(1orMoreValidUriCharacters + "\\." + 1orMoreValidUriCharacters);
    removeUrisWithInvalidTopLevelDomains(looksLikeUri);
    trimCharactersUnlikelyToBeInUris(looksLikeUri);
    guessProtocolIfNotPresent(looksLikeUri);
}

removeUrisWithInvalidTopLevelDomains() // Use a list of valid ones or limit it to something like 1-6 characters.

trimCharactersUnlikelyToBeInUris() // ,.:;? (at the very end) '(' at start ')' at end unless a starting one was in URI.

guessProtocolIfNotPresent() // Usually http unless string starts with something obvious like "ftp" or already has a protocol.