正则表达式匹配带有可选“www”和协议的 URL

Question

我正在尝试编写一个正则表达式。

一些背景信息：我正在尝试查看我的网站 URL 的 REQUEST_URI 是否包含另一个 URL。像这样：

• http://mywebsite.com/google.com/search=xyz

但是，网址不会总是包含“http”或“www”。所以模式也应该匹配如下字符串：

• http://mywebsite.com/yahoo.org/search=xyz
• http://mywebsite.com/www.yahoo.org/search=xyz
• http://mywebsite.com/msn.co.uk'
• http://mywebsite.com/http://msn.co.uk'

有一堆正则表达式可以匹配 url，但我没有发现对 http 和 www 进行可选匹配。

我想知道要匹配的模式是否类似于：

^([a-z]).(com|ca|org|etc)(.)

我想也许另一种选择是只匹配其中包含点 (.) 的任何字符串。 （因为我的应用程序中的其他 REQUEST_URI 通常不包含点）

这对任何人都有意义吗？ 我非常感谢一些帮助，因为它已经阻止了我的项目数周。

非常感谢 -蒂姆

Answer 1

我建议使用一种简单的方法，基本上以您所说的内容为基础，只要任何带有点的东西，但也可以使用正斜杠。捕获所有内容，不错过不寻常的 URL。所以像：

^((?:https?:\/\/)?[^./]+(?:\.[^./]+)+(?:\/.*)?)$

它读作：

• 可选 http:// 或 https://
• 非点或正斜杠字符
• 一组或多组点后跟非点或正斜杠字符
• 可选的正斜杠及其后面的任何内容

将整个事物捕获到第一个分组中。

它会匹配，例如：

• nic.uk
• nic.uk/
• http://nic.uk
• http://nic.uk/
• https://example.com/test/?a=bcd

验证它们是有效的 URL 是另一回事！它也会匹配：

• index.php

不匹配：

• directory/index.php

最小匹配基本上是something.something，其中没有正斜杠，除非它在点之后至少有一个字符。所以请确保不要将这种格式用于其他任何事情。

Answer 2

要匹配可选部分，请使用问号?，请参阅Optional Items。

例如要匹配一个可选的www.，捕获域和搜索词，正则表达式可以是

(www\.)?(.+?)/search=(.+)

尽管.+? 中的问号是一个非贪婪量词，请参阅http://www.regular-expressions.info/repeat.html。

Answer 3

你可以尝试用

开始你的正则表达式

^(http://)?(www\.)?

然后是匹配 URL 其余部分的规则。

Answer 4

$re = '/http:\/\/mywebsite\.com\/((?:http:\/\/)?[0-9A-Za-z]+(?:-+[0-9A-Za-z]+)*(?:\.[0-9A-Za-z]+(?:-+[0-9A-Za-z]+)*)+(?:\/.*)?)/';

https://regex101.com/r/x6vUvp/1

遵守必须将连字符括起来的 DNS 规则。用https替换http？也允许 https URL。

根据list of TLDs at Wikipedia，其中至少有 1519 个，并且不是恒定的，因此您可能希望为域提供自己的捕获组，以便可以使用在线 API 或列出所有这些的文件对其进行验证。

Answer 5

这是我的两分钱：

$regex = "/http:\/\/mywebsite\.com\/((http:\/\/|www\.)?[a-z]*(\.org|\.co\.uk|\.com).*)/";

见working exemple

但我相信你可以做得更好！

希望对您有所帮助。