java - regulares - regex url c#

Expresión regular para hacer coincidir las URL en Java

Question

Uso RegexBuddy mientras trabajo con expresiones regulares. De su biblioteca copié la expresión regular para que coincida con las URL. Probé con éxito dentro de RegexBuddy. Sin embargo, cuando lo copié como sabor Java String y lo pegué en código Java, no funciona. La siguiente clase imprime false :

public class RegexFoo {
public static void main(String[] args) {
String regex = "//b(https?|ftp|file)://[-A-Z0-9+&@#/%?=~_|!:,.;]*[-A-Z0-9+&@#/%=~_|]";
String text = "http://google.com";
System.out.println(IsMatch(text,regex));
}
private static boolean IsMatch(String s, String pattern) {
try {
Pattern patt = Pattern.compile(pattern);
Matcher matcher = patt.matcher(s);
return matcher.matches();
} catch (RuntimeException e) {
return false;
}
}
}

¿Alguien sabe lo que estoy haciendo mal?

Answer 1

Cuando use expresiones regulares de la biblioteca de RegexBuddy, asegúrese de usar los mismos modos de coincidencia en su propio código que la expresión regular de la biblioteca. Si genera un fragmento de código fuente en la pestaña Usar, RegexBuddy configurará automáticamente las opciones de coincidencia correctas en el fragmento de código fuente. Si copia / pega la expresión regular, debe hacerlo usted mismo.

En este caso, como otros señalaron, te perdiste la opción de insensibilidad de mayúsculas y minúsculas.

Answer 2

El problema con todos los enfoques sugeridos: todos los RegEx validan

Todo el código basado en RegEx está sobrediseñado: ¡solo encontrará URL válidas! Como muestra, ignorará cualquier cosa que comience con "http: //" y que contenga caracteres que no sean ASCII.

Aún más: he encontrado tiempos de procesamiento de 1-2 segundos (de un solo subproceso, dedicado) con el paquete Java RegEx (filtrado de direcciones de correo electrónico del texto) para oraciones muy pequeñas y simples, nada específico; posiblemente error en Java 6 RegEx ...

La solución más simple / rápida sería usar StringTokenizer para dividir texto en tokens, para eliminar tokens que comiencen con "http: //" etc., y para concatenar tokens en texto de nuevo.

Si desea filtrar los correos electrónicos desde el texto (porque más adelante lo hará con el personal de PNL, etc.), simplemente elimine todos los símbolos que contengan "@" en el interior.

Este es un texto simple donde falla el RegEx de Java 6. Pruébalo en las variantes divverent de Java. Toma alrededor de 1000 milisegundos por llamada RegEx, en una aplicación de prueba de un solo hilo de ejecución larga:

pattern = Pattern.compile("[A-Za-z0-9](([_//.//-]?[a-zA-Z0-9]+)*)@([A-Za-z0-9]+)(([//.//-]?[a-zA-Z0-9]+)*)//.([A-Za-z]{2,})", Pattern.CASE_INSENSITIVE);
"Avalanna is such a sweet little girl! It would b heartbreaking if cancer won. She''s so precious! #BeliebersPrayForAvalanna");
"@AndySamuels31 Hahahahahahahahahhaha lol, you don''t look like a girl hahahahhaahaha, you are... sexy.";

No confíe en expresiones regulares si solo necesita filtrar palabras con "@", "http: //", "ftp: //", "mailto:"; es una enorme sobrecarga de ingeniería.

Si realmente quieres usar RegEx con Java, prueba con Automaton

Answer 3

En línea con la respuesta de billjamesdev, este es otro enfoque para validar una URL sin usar un RegEx:

Desde Apache Commons Validator lib, mira la clase UrlValidator . Un código de ejemplo:

Construya un UrlValidator con esquemas válidos de "http" y "https".

String[] schemes = {"http","https"}.
UrlValidator urlValidator = new UrlValidator(schemes);
if (urlValidator.isValid("ftp://foo.bar.com/")) {
System.out.println("url is valid");
} else {
System.out.println("url is invalid");
}
prints "url is invalid"

Si, en cambio, se utiliza el constructor predeterminado.

UrlValidator urlValidator = new UrlValidator();
if (urlValidator.isValid("ftp://foo.bar.com/")) {
System.out.println("url is valid");
} else {
System.out.println("url is invalid");
}

imprime "url es válido"

Answer 4

Esto también funciona:

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

Nota:

String regex = "<//b(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // matches <http://google.com>
String regex = "<^(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // does not match <http://google.com>

Entonces, probablemente, el primero es más útil para uso general.

Answer 5

La mejor manera de hacerlo ahora es:

android.util.Patterns.WEB_URL.matcher(linkUrl).matches();

EDITAR: Código de Patterns de https://github.com/android/platform_frameworks_base/blob/master/core/java/android/util/Patterns.java :

/*
* Copyright (C) 2007 The Android Open Source Project
*
* Licensed under the Apache License, Version 2.0 (the "License");
* you may not use this file except in compliance with the License.
* You may obtain a copy of the License at
*
* http://www.apache.org/licenses/LICENSE-2.0
*
* Unless required by applicable law or agreed to in writing, software
* distributed under the License is distributed on an "AS IS" BASIS,
* WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
* See the License for the specific language governing permissions and
* limitations under the License.
*/
package android.util;
import java.util.regex.Matcher;
import java.util.regex.Pattern;
/**
* Commonly used regular expression patterns.
*/
public class Patterns {
/**
* Regular expression to match all IANA top-level domains.
* List accurate as of 2011/07/18. List taken from:
* http://data.iana.org/TLD/tlds-alpha-by-domain.txt
* This pattern is auto-generated by frameworks/ex/common/tools/make-iana-tld-pattern.py
*
* @deprecated Due to the recent profileration of gTLDs, this API is
* expected to become out-of-date very quickly. Therefore it is now
* deprecated.
*/
@Deprecated
public static final String TOP_LEVEL_DOMAIN_STR =
"((aero|arpa|asia|a[cdefgilmnoqrstuwxz])"
+ "|(biz|b[abdefghijmnorstvwyz])"
+ "|(cat|com|coop|c[acdfghiklmnoruvxyz])"
+ "|d[ejkmoz]"
+ "|(edu|e[cegrstu])"
+ "|f[ijkmor]"
+ "|(gov|g[abdefghilmnpqrstuwy])"
+ "|h[kmnrtu]"
+ "|(info|int|i[delmnoqrst])"
+ "|(jobs|j[emop])"
+ "|k[eghimnprwyz]"
+ "|l[abcikrstuvy]"
+ "|(mil|mobi|museum|m[acdeghklmnopqrstuvwxyz])"
+ "|(name|net|n[acefgilopruz])"
+ "|(org|om)"
+ "|(pro|p[aefghklmnrstwy])"
+ "|qa"
+ "|r[eosuw]"
+ "|s[abcdeghijklmnortuvyz]"
+ "|(tel|travel|t[cdfghjklmnoprtvwz])"
+ "|u[agksyz]"
+ "|v[aceginu]"
+ "|w[fs]"
+ "|(/u03b4/u03bf/u03ba/u03b9/u03bc/u03ae|/u0438/u0441/u043f/u044b/u0442/u0430/u043d/u0438/u0435|/u0440/u0444|/u0441/u0440/u0431|/u05d8/u05e2/u05e1/u05d8|/u0622/u0632/u0645/u0627/u06cc/u0634/u06cc|/u0625/u062e/u062a/u0628/u0627/u0631|/u0627/u0644/u0627/u0631/u062f/u0646|/u0627/u0644/u062c/u0632/u0627/u0626/u0631|/u0627/u0644/u0633/u0639/u0648/u062f/u064a/u0629|/u0627/u0644/u0645/u063a/u0631/u0628|/u0627/u0645/u0627/u0631/u0627/u062a|/u0628/u06be/u0627/u0631/u062a|/u062a/u0648/u0646/u0633|/u0633/u0648/u0631/u064a/u0629|/u0641/u0644/u0633/u0637/u064a/u0646|/u0642/u0637/u0631|/u0645/u0635/u0631|/u092a/u0930/u0940/u0915/u094d/u0937/u093e|/u092d/u093e/u0930/u0924|/u09ad/u09be/u09b0/u09a4|/u0a2d/u0a3e/u0a30/u0a24|/u0aad/u0abe/u0ab0/u0aa4|/u0b87/u0ba8/u0bcd/u0ba4/u0bbf/u0baf/u0bbe|/u0b87/u0bb2/u0b99/u0bcd/u0b95/u0bc8|/u0b9a/u0bbf/u0b99/u0bcd/u0b95/u0baa/u0bcd/u0baa/u0bc2/u0bb0/u0bcd|/u0baa/u0bb0/u0bbf/u0b9f/u0bcd/u0b9a/u0bc8|/u0c2d/u0c3e/u0c30/u0c24/u0c4d|/u0dbd/u0d82/u0d9a/u0dcf|/u0e44/u0e17/u0e22|/u30c6/u30b9/u30c8|/u4e2d/u56fd|/u4e2d/u570b|/u53f0/u6e7e|/u53f0/u7063|/u65b0/u52a0/u5761|/u6d4b/u8bd5|/u6e2c/u8a66|/u9999/u6e2f|/ud14c/uc2a4/ud2b8|/ud55c/uad6d|xn//-//-0zwm56d|xn//-//-11b5bs3a9aj6g|xn//-//-3e0b707e|xn//-//-45brj9c|xn//-//-80akhbyknj4f|xn//-//-90a3ac|xn//-//-9t4b11yi5a|xn//-//-clchc0ea0b2g2a9gcd|xn//-//-deba0ad|xn//-//-fiqs8s|xn//-//-fiqz9s|xn//-//-fpcrj9c3d|xn//-//-fzc2c9e2c|xn//-//-g6w251d|xn//-//-gecrj9c|xn//-//-h2brj9c|xn//-//-hgbk6aj7f53bba|xn//-//-hlcj6aya9esc7a|xn//-//-j6w193g|xn//-//-jxalpdlp|xn//-//-kgbechtv|xn//-//-kprw13d|xn//-//-kpry57d|xn//-//-lgbbat1ad8j|xn//-//-mgbaam7a8h|xn//-//-mgbayh7gpa|xn//-//-mgbbh1a71e|xn//-//-mgbc0a9azcg|xn//-//-mgberp4a5d4ar|xn//-//-o3cw4h|xn//-//-ogbpf8fl|xn//-//-p1ai|xn//-//-pgbs0dh|xn//-//-s9brj9c|xn//-//-wgbh1c|xn//-//-wgbl6a|xn//-//-xkc2al3hye2a|xn//-//-xkc2dl3a5ee0h|xn//-//-yfro4i67o|xn//-//-ygbi2ammx|xn//-//-zckzah|xxx)"
+ "|y[et]"
+ "|z[amw])";
/**
* Regular expression pattern to match all IANA top-level domains.
* @deprecated This API is deprecated. See {@link #TOP_LEVEL_DOMAIN_STR}.
*/
@Deprecated
public static final Pattern TOP_LEVEL_DOMAIN =
Pattern.compile(TOP_LEVEL_DOMAIN_STR);
/**
* Regular expression to match all IANA top-level domains for WEB_URL.
* List accurate as of 2011/07/18. List taken from:
* http://data.iana.org/TLD/tlds-alpha-by-domain.txt
* This pattern is auto-generated by frameworks/ex/common/tools/make-iana-tld-pattern.py
*
* @deprecated This API is deprecated. See {@link #TOP_LEVEL_DOMAIN_STR}.
*/
@Deprecated
public static final String TOP_LEVEL_DOMAIN_STR_FOR_WEB_URL =
"(?:"
+ "(?:aero|arpa|asia|a[cdefgilmnoqrstuwxz])"
+ "|(?:biz|b[abdefghijmnorstvwyz])"
+ "|(?:cat|com|coop|c[acdfghiklmnoruvxyz])"
+ "|d[ejkmoz]"
+ "|(?:edu|e[cegrstu])"
+ "|f[ijkmor]"
+ "|(?:gov|g[abdefghilmnpqrstuwy])"
+ "|h[kmnrtu]"
+ "|(?:info|int|i[delmnoqrst])"
+ "|(?:jobs|j[emop])"
+ "|k[eghimnprwyz]"
+ "|l[abcikrstuvy]"
+ "|(?:mil|mobi|museum|m[acdeghklmnopqrstuvwxyz])"
+ "|(?:name|net|n[acefgilopruz])"
+ "|(?:org|om)"
+ "|(?:pro|p[aefghklmnrstwy])"
+ "|qa"
+ "|r[eosuw]"
+ "|s[abcdeghijklmnortuvyz]"
+ "|(?:tel|travel|t[cdfghjklmnoprtvwz])"
+ "|u[agksyz]"
+ "|v[aceginu]"
+ "|w[fs]"
+ "|(?:/u03b4/u03bf/u03ba/u03b9/u03bc/u03ae|/u0438/u0441/u043f/u044b/u0442/u0430/u043d/u0438/u0435|/u0440/u0444|/u0441/u0440/u0431|/u05d8/u05e2/u05e1/u05d8|/u0622/u0632/u0645/u0627/u06cc/u0634/u06cc|/u0625/u062e/u062a/u0628/u0627/u0631|/u0627/u0644/u0627/u0631/u062f/u0646|/u0627/u0644/u062c/u0632/u0627/u0626/u0631|/u0627/u0644/u0633/u0639/u0648/u062f/u064a/u0629|/u0627/u0644/u0645/u063a/u0631/u0628|/u0627/u0645/u0627/u0631/u0627/u062a|/u0628/u06be/u0627/u0631/u062a|/u062a/u0648/u0646/u0633|/u0633/u0648/u0631/u064a/u0629|/u0641/u0644/u0633/u0637/u064a/u0646|/u0642/u0637/u0631|/u0645/u0635/u0631|/u092a/u0930/u0940/u0915/u094d/u0937/u093e|/u092d/u093e/u0930/u0924|/u09ad/u09be/u09b0/u09a4|/u0a2d/u0a3e/u0a30/u0a24|/u0aad/u0abe/u0ab0/u0aa4|/u0b87/u0ba8/u0bcd/u0ba4/u0bbf/u0baf/u0bbe|/u0b87/u0bb2/u0b99/u0bcd/u0b95/u0bc8|/u0b9a/u0bbf/u0b99/u0bcd/u0b95/u0baa/u0bcd/u0baa/u0bc2/u0bb0/u0bcd|/u0baa/u0bb0/u0bbf/u0b9f/u0bcd/u0b9a/u0bc8|/u0c2d/u0c3e/u0c30/u0c24/u0c4d|/u0dbd/u0d82/u0d9a/u0dcf|/u0e44/u0e17/u0e22|/u30c6/u30b9/u30c8|/u4e2d/u56fd|/u4e2d/u570b|/u53f0/u6e7e|/u53f0/u7063|/u65b0/u52a0/u5761|/u6d4b/u8bd5|/u6e2c/u8a66|/u9999/u6e2f|/ud14c/uc2a4/ud2b8|/ud55c/uad6d|xn//-//-0zwm56d|xn//-//-11b5bs3a9aj6g|xn//-//-3e0b707e|xn//-//-45brj9c|xn//-//-80akhbyknj4f|xn//-//-90a3ac|xn//-//-9t4b11yi5a|xn//-//-clchc0ea0b2g2a9gcd|xn//-//-deba0ad|xn//-//-fiqs8s|xn//-//-fiqz9s|xn//-//-fpcrj9c3d|xn//-//-fzc2c9e2c|xn//-//-g6w251d|xn//-//-gecrj9c|xn//-//-h2brj9c|xn//-//-hgbk6aj7f53bba|xn//-//-hlcj6aya9esc7a|xn//-//-j6w193g|xn//-//-jxalpdlp|xn//-//-kgbechtv|xn//-//-kprw13d|xn//-//-kpry57d|xn//-//-lgbbat1ad8j|xn//-//-mgbaam7a8h|xn//-//-mgbayh7gpa|xn//-//-mgbbh1a71e|xn//-//-mgbc0a9azcg|xn//-//-mgberp4a5d4ar|xn//-//-o3cw4h|xn//-//-ogbpf8fl|xn//-//-p1ai|xn//-//-pgbs0dh|xn//-//-s9brj9c|xn//-//-wgbh1c|xn//-//-wgbl6a|xn//-//-xkc2al3hye2a|xn//-//-xkc2dl3a5ee0h|xn//-//-yfro4i67o|xn//-//-ygbi2ammx|xn//-//-zckzah|xxx)"
+ "|y[et]"
+ "|z[amw]))";
/**
* Good characters for Internationalized Resource Identifiers (IRI).
* This comprises most common used Unicode characters allowed in IRI
* as detailed in RFC 3987.
* Specifically, those two byte Unicode characters are not included.
*/
public static final String GOOD_IRI_CHAR =
"a-zA-Z0-9/u00A0-/uD7FF/uF900-/uFDCF/uFDF0-/uFFEF";
public static final Pattern IP_ADDRESS
= Pattern.compile(
"((25[0-5]|2[0-4][0-9]|[0-1][0-9]{2}|[1-9][0-9]|[1-9])//.(25[0-5]|2[0-4]"
+ "[0-9]|[0-1][0-9]{2}|[1-9][0-9]|[1-9]|0)//.(25[0-5]|2[0-4][0-9]|[0-1]"
+ "[0-9]{2}|[1-9][0-9]|[1-9]|0)//.(25[0-5]|2[0-4][0-9]|[0-1][0-9]{2}"
+ "|[1-9][0-9]|[0-9]))");
/**
* RFC 1035 Section 2.3.4 limits the labels to a maximum 63 octets.
*/
private static final String IRI
= "[" + GOOD_IRI_CHAR + "]([" + GOOD_IRI_CHAR + "//-]{0,61}[" + GOOD_IRI_CHAR + "]){0,1}";
private static final String GOOD_GTLD_CHAR =
"a-zA-Z/u00A0-/uD7FF/uF900-/uFDCF/uFDF0-/uFFEF";
private static final String GTLD = "[" + GOOD_GTLD_CHAR + "]{2,63}";
private static final String HOST_NAME = "(" + IRI + "//.)+" + GTLD;
public static final Pattern DOMAIN_NAME
= Pattern.compile("(" + HOST_NAME + "|" + IP_ADDRESS + ")");
/**
* Regular expression pattern to match most part of RFC 3987
* Internationalized URLs, aka IRIs. Commonly used Unicode characters are
* added.
*/
public static final Pattern WEB_URL = Pattern.compile(
"((?:(http|https|Http|Https|rtsp|Rtsp)://////(?:(?:[a-zA-Z0-9//$//-//_//.//+//!//*//'//(//)"
+ "//,//;//?//&//=]|(?://%[a-fA-F0-9]{2})){1,64}(?://:(?:[a-zA-Z0-9//$//-//_"
+ "//.//+//!//*//'//(//)//,//;//?//&//=]|(?://%[a-fA-F0-9]{2})){1,25})?//@)?)?"
+ "(?:" + DOMAIN_NAME + ")"
+ "(?://://d{1,5})?)" // plus option port number
+ "(///(?:(?:[" + GOOD_IRI_CHAR + "//;/////?//://@//&//=//#//~" // plus option query params
+ "//-//.//+//!//*//'//(//)//,//_])|(?://%[a-fA-F0-9]{2}))*)?"
+ "(?://b|$)"); // and finally, a word boundary or end of
// input. This is to stop foo.sure from
// matching as foo.su
public static final Pattern EMAIL_ADDRESS
= Pattern.compile(
"[a-zA-Z0-9//+//.//_//%//-//+]{1,256}" +
"//@" +
"[a-zA-Z0-9][a-zA-Z0-9//-]{0,64}" +
"(" +
"//." +
"[a-zA-Z0-9][a-zA-Z0-9//-]{0,25}" +
")+"
);
/**
* This pattern is intended for searching for things that look like they
* might be phone numbers in arbitrary text, not for validating whether
* something is in fact a phone number. It will miss many things that
* are legitimate phone numbers.
*
* <p> The pattern matches the following:
* <ul>
* <li>Optionally, a + sign followed immediately by one or more digits. Spaces, dots, or dashes
* may follow.
* <li>Optionally, sets of digits in parentheses, separated by spaces, dots, or dashes.
* <li>A string starting and ending with a digit, containing digits, spaces, dots, and/or dashes.
* </ul>
*/
public static final Pattern PHONE
= Pattern.compile( // sdd = space, dot, or dash
"(//+[0-9]+[//- //.]*)?" // +<digits><sdd>*
+ "(//([0-9]+//)[//- //.]*)?" // (<digits>)<sdd>*
+ "([0-9][0-9//- //.]+[0-9])"); // <digit><digit|sdd>+<digit>
/**
* Convenience method to take all of the non-null matching groups in a
* regex Matcher and return them as a concatenated string.
*
* @param matcher The Matcher object from which grouped text will
* be extracted
*
* @return A String comprising all of the non-null matched
* groups concatenated together
*/
public static final String concatGroups(Matcher matcher) {
StringBuilder b = new StringBuilder();
final int numGroups = matcher.groupCount();
for (int i = 1; i <= numGroups; i++) {
String s = matcher.group(i);
if (s != null) {
b.append(s);
}
}
return b.toString();
}
/**
* Convenience method to return only the digits and plus signs
* in the matching string.
*
* @param matcher The Matcher object from which digits and plus will
* be extracted
*
* @return A String comprising all of the digits and plus in
* the match
*/
public static final String digitsAndPlusOnly(Matcher matcher) {
StringBuilder buffer = new StringBuilder();
String matchingRegion = matcher.group();
for (int i = 0, size = matchingRegion.length(); i < size; i++) {
char character = matchingRegion.charAt(i);
if (character == ''+'' || Character.isDigit(character)) {
buffer.append(character);
}
}
return buffer.toString();
}
/**
* Do not create this static utility class.
*/
private Patterns() {}
}

Answer 6

Probaré un estándar "¿Por qué lo haces de esta manera?" respuesta ... ¿Conoces java.net.URL ?

URL url = new URL(stringURL);

Lo anterior arrojará una MalformedURLException si no puede analizar la URL.

Answer 7

Pruebe la siguiente cadena de expresiones regulares en su lugar. Su prueba probablemente se hizo de una manera sensible a mayúsculas y minúsculas. He agregado las alfas minúsculas así como también un marcador de posición de comienzo de cadena apropiado.

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

Esto también funciona:

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

Nota:

String regex = "<//b(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // matches <http://google.com>
String regex = "<^(https?|ftp|file)://[-a-zA-Z0-9+&@#/%?=~_|!:,.;]*[-a-zA-Z0-9+&@#/%=~_|]>"; // does not match <http://google.com>