正则表达式从html中获取所有主机

我试图在一个正则表达式中获取所有的URL，目前我正在使用这种模式。正则表达式从html中获取所有主机

/^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w \.-]*)*\/?$/

但是，该正则表达式返回页/文件，而不是主机。因此，而不必运行第二个正则表达式，我希望这里有人能帮助

这将返回http://www.yoursite.com/index.html

我试图返回yoursite.com。

此外，正则表达式将从HTML解析和主机将被检查后，所以100％的准确性并不重要。

来源

2013-07-11 knives

我欣赏你的努力，但你为什么不使用已经在.NET中提供的解决方案？http：//msdn.microsoft.com/en-us/library/system.uri.aspx – matcheek

您是否想向我们展示至少一个源文本样本，然后展示您期望的内容以及您获得的内容？它使得它更容易理解... – Chris

这种模式不会返回任何结果，您能否告诉我们一个真正的尝试 –

假设你的正则表达式：

/^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w \.-]*)*\/?$/

实际上并解析URL（我没有检查它），你可以很容易地使用捕获组获取主机：

/^(https?:\/\/)?(?<host>([\da-z\.-]+)\.([a-z\.]{2,6}))([\/\w \.-]*)*\/?$/

当你得到Match的结果，你可以检查Groups["host"]来获取主机名。

但在我看来，只要使用Uri.TryCreate，您的状况会好得多，但您需要一点逻辑来解决可能缺乏的方案。那就是：

if (!Regex.IsMatch(line, "https?:\/\/")) 
    line = "http://" + line; 
Uri uri; 
if (Uri.TryCreate(line, UriKind.Absolute, out uri)) 
{ 
    // it's a valid url. 
    host = uri.Host; 
}

解析网址是一个相当棘手的业务。例如，没有单独的虚线段可以超过63个字符，并且没有什么能够阻止最后一个虚线段具有数字或连字符。也不限于6个字符。您最好将整个字符串传递给Uri.TryCreate，而不是尝试使用单个正则表达式来复制URL解析的疯狂。

有可能Url的其他部分（主机名后面）可能是垃圾。如果你想消除位导致问题，然后提取一切都交给主机名的末尾：

^https?:\/\/[^\/]*

然后运行通过Uri.TryCreate。

来源

2013-07-11 18:43:47

捕捉刚刚从样本文本http://www.yoursite.com/index?querystring=value的yoursite.com，你可以用这句话，但是这并不验证字符串：

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

enter image description here

现场演示：http://www.rubular.com/r/UNR7qiQ0Eq

来源

2013-07-11 18:51:36

正则表达式从html中获取所有主机

回答

相关问题