URL 正则表达式奇怪的行为

Question

我有一个用于用 PHP 识别 URL 的正则表达式，效果很好：

~(?i)\b(?!.*?\<<)(?!.*?\.onion)((?:[a-z][\w-]+:(?:/{1,3}|[a-z0-9%])|ftp://|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s`!()\[\]{};:\'".,<>?«»“”‘’]))~

除非这会破坏它，否则会导致灾难性的回溯：

http://google.com(JavaScript_Add-on)

有趣的是，这可以通过删除括号、下划线或连字符来避免：

http://google.comJavaScript_Add-on //This is a match

http://google.com(JavaScriptAdd-on) //This is a match

http://google.com(JavaScript_Addon) //This is a match

或者去掉最后一个字母'n'：

http://google.com(JavaScript_Add-o) //This is a match

或删除“添加”一词：

http://google.com(JavaScript_-on) //This is a match

有谁知道这里发生了什么以及如何解决这个问题？

Answer 1

使用惰性匹配。

只需将? 与(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+? 相加即可节省大量计算资源。我还加了一个？在下一个非捕获组。这是一个更新的版本：

(?i)\b(?!.*?\<<)
(?!.*?\.onion)
((?:[a-z][\w-]+:(?:\/{1,3}|[a-z0-9%])|ftp:\/\/|www\d{0,3}[.]|[a-z0-9.\-]+[.][a-z]{2,4}\/)
 (?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+?
 (?:\(([^\s()<>]+|(\([^\s()<>]+\)))*?\)
 |
 [^\s`!()\[\]{};:\'".,<>?«»“”‘’])
)

见demo。

Answer 2

这应该可以正常工作： /(http[s]?://|www.)\w[^\s|