没有路径的 URL 的正则表达式

Question

我知道这个案例有很多解决方案、文章和库，但找不到一个符合我的案例。我正在尝试编写一个正则表达式来从文本（电子邮件中的人的签名）中提取 URL（代表网站），并且有多种情况：

• 可以包含 http(s):// ，也可以不包含
• 可以包含 www. ， 或不
• 可以有多个顶级域名，例如“test.com.cn”

这里有些例子：

www.test.com
https://test.com.cn
http://www.test.com.cn
test.com
test.com.cn

我想出了以下正则表达式：

(https?://)?(www\.)?\w{2,}\.[a-zA-Z]{2,}(\.[a-zA-Z]{2,})?$

但这有两个主要问题，因为签名可以包含电子邮件地址：

1. 它（错误地）捕获像这样的电子邮件的 TLD：name.surname@test2.com
2. 它不会捕获行中间的 URLS，如果我删除末尾的 $ 符号，它会捕获最后一个示例的 name.surname 部分

   对于 (1) 我尝试使用 negative lookbehind，将这个 (?<!@) 添加到开头，问题是现在它捕获了 est2.com 而不是根本不匹配它。

Answer 1

我认为你可以使用 （边界）而不是 $ （并且在开始时也是如此）并在负向后视和前视中排除 @ ：

(?<!@|.|-)(https?://)?(www.)?w{2,}.[a-zA-Z]{2,}(.[a-zA-Z]{2,})?(?!@|.|-)

编辑：排除环视中的点（以及所有可能出现在 URL/电子邮件地址中的非字母数字字符），以避免匹配 name.middlename.surname@test2.com 中的 name.middlename 或 name.surname@test2.com.cn 中的 com.cn。字符列表见this answer