Correspondant correctement à une URL IDN

Question

J'ai besoin d'aide pour créer une expression régulière qui puisse correspondre correctement à une URL dans un texte libre.

• système
  • un des éléments suivants: ftp, http, https (est FTPS un protocole?)
• option utilisateur (et en option passe)
• hôte (avec support pour IDN)
  • support pour www et sous-domaine (s) (avec support pour IDN)
  • filtrage de base du TLD ([a-zA-Z]{2,6} est assez, je pense)
• option Port numéro
• chemin (en option, avec un support pour les caractères Unicode)
• requête (en option, avec un support pour les caractères Unicode)
• fragment (en option, avec un support pour les caractères Unicode)

Voici ce que je pourrais en savoir plus sur les sous-domaines:

A « sous-domaine » eXPRIME relatif dépendance, et non la dépendance absolue: par exemple, wikipedia.org comprend un sous-domaine du domaine org, et fr.wikipedia.org comprend un sous domaine du domaine wikipedia.org. En théorie , cette subdivision peut descendre à 127 niveaux de profondeur, et chaque étiquette DNS peut contenir jusqu'à 63 caractères, comme longtemps que l'ensemble nom de domaine ne dépasse pas une longueur totale de 255 caractères.

En ce qui concerne le nom de domaine lui-même, je ne pouvais pas trouver une source fiable mais je pense que l'expression régulière pour les non-IDNs (Je ne sais pas comment écrire une version compatible IDN) est quelque chose comme:

[0-9a-zA-Z][0-9a-zA-Z\-]{2,62} 

que quelqu'un peut me aider avec cette expression régulière ou me pointer vers une bonne direction?

Answer 1

John Gruber, de Daring Fireball renommée, avait a post recently qui a détaillé sa quête d'une bonne URL reconnaissant la chaîne regex. Ce qu'il est venu avec était le suivant:

\b(([\w-]+://?|www[.])[^\s()<>]+(?:\([\w\d]+\)|([^[:punct:]\s]|/)))

Ce qui ne semble OK avec les URL contenant Unicode, ainsi. Vous aurez besoin de faire la légère modification pour obtenir le reste de ce que vous cherchez - le schéma, le nom d'utilisateur, mot de passe, etc Alan Storm wrote a piece explaining Gruber's regex pattern, dont j'avais absolument besoin (regex est tellement écrit une seule fois -no-indice-comment-lire-toujours-encore!).

Answer 2

Si vous avez besoin du protocole et ne sont pas trop inquiet au sujet des faux positifs, de loin la chose la plus facile à faire est de correspondre à tous les caractères non-blancs autour ://

Answer 3

Cela vous obtiendrez la plupart du chemin . Si vous en avez besoin plus raffiné s'il vous plaît fournir des données de test.

(ftp|https?)://([-\w\.]+)+(:\d+)?(/([\w/_\.]*(\?\S+)?)?)?