web-dev-qa-db-ja.com

文字列からURLを検出して抽出しますか？

これは簡単な質問ですが、わかりません。文字列内のURLを検出し、短縮URLに置き換えたい。

Stackoverflowからこの式を見つけましたが、結果はただhttpです

Pattern p = Pattern.compile("\\b(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]",Pattern.CASE_INSENSITIVE);
        Matcher m = p.matcher(str);
        boolean result = m.find();
        while (result) {
            for (int i = 1; i <= m.groupCount(); i++) {
                String url=m.group(i);
                str = str.replace(url, shorten(url));
            }
            result = m.find();
        }
        return html;

より良いアイデアはありますか？

javaregexurl
39
Shisoft

m.group（1）は、最初に一致するグループ、つまり最初のキャプチャ括弧を提供します。ここに(https?|ftp|file)

M.group（0）に何かがあるかどうかを確認するか、すべてのパターンを括弧で囲んでm.group（1）を再度使用してください。

次の関数と一致するように検索関数を繰り返し、新しいグループ配列を使用する必要があります。

7
M'vy

私が複雑なケースの正規表現の大擁護者ではないと言って、先に進んでこれを始めさせてください。このようなものの完璧な表現を書くことは非常に困難です。 それは言った、たまたまURLを検出するためのものがあり、それは合格する350行のユニットテストケースクラスによってサポートされています。誰かが単純な正規表現から始め、長年にわたり、発見した問題を処理するために式とテストケースを成長させてきました。決して些細なことではありません。

// Pattern for recognizing a URL, based off RFC 3986
private static final Pattern urlPattern = Pattern.compile(
        "(?:^|[\\W])((ht|f)tp(s?):\\/\\/|www\\.)"
                + "(([\\w\\-]+\\.){1,}?([\\w\\-.~]+\\/?)*"
                + "[\\p{Alnum}.,%_=?&#\\-+()\\[\\]\\*$~@!:/{};']*)",
        Pattern.CASE_INSENSITIVE | Pattern.MULTILINE | Pattern.DOTALL);

以下に使用例を示します。

Matcher matcher = urlPattern.matcher("foo bar http://example.com baz");
while (matcher.find()) {
    int matchStart = matcher.start(1);
    int matchEnd = matcher.end();
    // now you have the offsets of a URL match
}
84
WhiteFang34
/**
 * Returns a list with all links contained in the input
 */
public static List<String> extractUrls(String text)
{
    List<String> containedUrls = new ArrayList<String>();
    String urlRegex = "((https?|ftp|Gopher|telnet|file):((//)|(\\\\))+[\\w\\d:#@%/;$()~_?\\+-=\\\\\\.&]*)";
    Pattern pattern = Pattern.compile(urlRegex, Pattern.CASE_INSENSITIVE);
    Matcher urlMatcher = pattern.matcher(text);

    while (urlMatcher.find())
    {
        containedUrls.add(text.substring(urlMatcher.start(0),
                urlMatcher.end(0)));
    }

    return containedUrls;
}

例：

List<String> extractedUrls = extractUrls("Welcome to https://stackoverflow.com/ and here is another link http://www.google.com/ \n which is a great search engine");

for (String url : extractedUrls)
{
    System.out.println(url);
}

プリント：

https://stackoverflow.com/
http://www.google.com/
40
BullyWiiPlaza

URLの検出は簡単な作業ではありません。 https？| ftp | fileで始まる文字列を取得するのに十分であれば、それで問題ありません。ここでの問題は、キャプチャグループ、()そして、それらは最初の部分のhttp ...

この部分を（？:)を使用して非キャプチャグループにし、全体を括弧で囲みます。

"\\b((?:https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|])"
2
stema

全体を囲むいくつかの余分な括弧（開始時のWord境界を除く）を使用して、ドメイン名全体と一致する必要があります。

"\\b((https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|])"

しかし、正規表現はURL全体と一致するとは思わない。

2
Billy Moon

この小さなコードスニペット/関数は、Javaの文字列からURL文字列を効果的に抽出します。ここでそれを行うための基本的な正規表現を見つけ、Java関数で使用しました。

「http：//」で始まらないリンクをキャッチするために、「| www [。]」の部分で基本正規表現を少し拡張しました

十分な話（安い）のコードを次に示します。

//Pull all links from the body for easy retrieval
private ArrayList pullLinks(String text) {
ArrayList links = new ArrayList();

String regex = "\\(?\\b(http://|www[.])[-A-Za-z0-9+&amp;@#/%?=~_()|!:,.;]*[-A-Za-z0-9+&amp;@#/%=~_()|]";
Pattern p = Pattern.compile(regex);
Matcher m = p.matcher(text);
while(m.find()) {
String urlStr = m.group();
if (urlStr.startsWith("(") &amp;&amp; urlStr.endsWith(")"))
{
urlStr = urlStr.substring(1, urlStr.length() - 1);
}
links.add(urlStr);
}
return links;
}
0
lemmy njaria