正则表达式捕获从 \b 或 (www\.) 的结尾开始

Question

我试图从字符串中捕获任何看起来像域名的东西的第一次出现。例如 my.domain.home.com 来自 'dfasdf https://www.my.domain.home.com fadsfas'。我正在使用\b 断言或非捕获组(?:www\.) 来标记我的捕获组的开始。但相反，我得到了www.my.domain.home.com，即www. 没有被删除。

这是我的完整正则表达式：

\b(?:www\.)((?=[a-z0-9-]{1,63}\.)(xn--)?[a-z0-9]+(-[a-z0-9]+)*\.)+[a-z]{2,63}\b

这是我不确定的部分：

\b(?:www\.)

如何让我的捕获从单词的开头或“www.”的结尾开始？

[澄清] 如果没有“www”。它应该在单词的开头捕获。如果有“万维网”。它应该在“www”中的点之后开始捕获。在可能的域字符串的开头。

我也使用https://www.regex101.com/r/NjR11m/1/tests 进行了检查，但我的最终目的地是 Teradata 15.10 正则表达式，据说它符合 Perl 方言。所以如果你能在 Perl 上下文中帮助我，我想我会没事的。

 SELECT 'dfasdf https://www.my.domain.home.com fadsfas' AS string, 
 REGEXP_SUBSTR(string, 
 '\b(?:www\.)((?=[a-z0-9-]{1,63}\.)(xn--)?[a-z0-9]+(-[a-z0-9]+)*\.)+[a-z]{2,63}\b'
) AS url_to_match;

对于'dfasdf https://my.domain.home.com fadsfas'，它也应该返回my.domain.home.com。

还应返回my.domain.home.com的字符串的其他示例

'dfasdf my.domain.home.com fadsfas'

'dfasdf ,my.domain.home.com-- fadsfas'

'dfasdf www.my.domain.home.com#fadsfas'

[解决方案]

 REGEXP_SUBSTR(LOWER(string), 
 '\b(?!www\.)((?=[a-z0-9-]{1,63}\.)(xn--)?[a-z0-9]+(-[a-z0-9]+)*\.)+[a-z]{2,63}\b'
 ) 

Answer 1

www. 包含在匹配中的问题似乎是因为您使用的是第 0 组（这是完整匹配，而不仅仅是捕获组）。虽然我不知道如何改变它，但可以重新制定正则表达式，使第 0 组和第 1 组具有相同的值，如下所示：

\b(?!www\.)([-a-z0-9]{1,63}(?:\.[-a-z0-9]{1,63})+)

这只是说比赛不能从www.开始，而不是允许比赛从那里开始然后不得不忽略它。

我已经为您的正则表达式创建了一个modified version，它显示了它是如何工作的。请注意，如果您想匹配混合大小写字母数字的名称，您需要将A-Z 添加到a-z0-9，或打开不区分大小写；匹配非ascii域名就比较麻烦了，留给有兴趣的读者去解决吧。