Question à propos de Validation d'URL avec la Regex

Ci-dessous la regex est de la magnifique Mastering Regular Expressions livre. Si vous n'êtes pas familier avec le gratuit espacement/commentaires mode, je vous suggère de vous familiariser avec elle.

\b
# Match the leading part (proto://hostname, or just hostname)
(
    # ftp://, http://, or https://leading part
    (ftp|https?)://[-\w]+(\.\w[-\w]*)+
  |
    # or, try to find a hostname with our more specific sub-expression
    (?i: [a-z0-9] (?:[-a-z0-9]*[a-z0-9])? \. )+ # sub domains
    # Now ending .com, etc. For these, require lowercase
    (?-i: com\b
        | edu\b
        | biz\b
        | gov\b
        | in(?:t|fo)\b # .int or .info
        | mil\b
        | net\b
        | org\b
        | name\b
        | coop\b
        | aero\b
        | museum\b
        | [a-z][a-z]\b # two-letter country codes
    )
)

# Allow an optional port number
( : \d+ )?

# The rest of the URL is optional, and begins with /. . . 
(
     /
     # The rest are heuristics for what seems to work well
     [^.!,?;"'<>()\[\]{}\s\x7F-\xFF]*
     (?:
        [.!,?]+  [^.!,?;"'<>()\[\]{}\s\x7F-\xFF]+
     )*
)?

Pour expliquer cette expression brièvement (pour une explication complète d'obtenir le livre) - les Url ont un ou plusieurs point que les parties séparées se terminant avec une liste limitée de finale de bits, ou un code de pays à deux lettres (.au royaume-uni .fr ...). En outre, les parties peuvent avoir des caractères alphanumériques ou des tirets '-', mais les traits d'union peuvent ne pas être le premier ou le dernier caractère de la pièces. Alors il y a peut être un numéro de port, puis le reste.

À extraire à partir du site web, allez à http://regex.info/listing.cgi?ed=3&p=207 C'est à partir de la page 207 de la 3ème édition.

Et la page dit "Copyright © 2008 Jeffrey Friedl" donc je ne suis pas sûr de ce que les conditions d'utilisation sont exactement, mais je m'attends à ce que si vous possédez le livre, vous pouvez l'utiliser alors ... j'espère que je ne suis pas enfreint les règles de la mettre ici.

OriginalL'auteur Hamish Downer

Votre expression rationnelle correspond tout à commencer avec l'un de ces protocoles, y compris beaucoup de choses, cela ne peut pas être existante Url, si vous relaxer le protocole de la partie (ce qui en fait une option avec ?) ensuite, vous aurez juste être correspondant à peu près tout, y compris la chaîne vide.

En d'autres termes, il fait un excellent travail de correspondance des URLs, car il correspond presque tout ce qui commence par http://,https://,ftp:// et ainsi de suite. Eh bien, il correspond aussi à ftp:\\ et ms-help://, mais nous allons en tenir compte.

Il peut être judicieux, en fonction de l'utilisation réelle, parce que les autres regexp approche de listes d'autorisation valide domaines devient non maintenable assez rapidement, mais en faisant le protocole de la partie optionnelle n'a pas de sens.

Un exemple (avec de l'ambiance détendue de protocole de partie en place):

>>> r = re.compile('(((https?|ftp|gopher|telnet|file|notes|ms-help):((//)|(\\\\))+)?[\w\d:#@%/;$()~_?\+-=\\\.&]*)')
>>> r.search('oompaloompa_is_not_an_ur%&%%l').groups()[0]
'oompaloompa_is_not_an_ur%&%%l' #Matches!
>>> r.search('oompaloompa_isdfjakojfsdi.sdnioknfsdjknfsdjk.fsdnjkfnsdjknfsdjk').groups()[0]
'oompaloompa_isdfjakojfsdi.sdnioknfsdjknfsdjk.fsdnjkfnsdjknfsdjk' #Matches!
>>>                             

Donné votre modifier je vous suggère soit de rendre à l'utilisateur de sélectionner quel est-il ajout, en ajoutant un enum colonne, ou de créer une simple regex qui vais vérifier pour au moins un point, outre les caractères valides et peut-être certains domaines communs.

Une troisième alternative qui sera TRÈS LENT et ne doit être utilisé lors de la validation d'URL est vraiment VRAIMENT IMPORTANT est en fait accéder à l'URL et faire une TÊTE de demande sur elle, si vous obtenez un hôte ne trouve pas ou une erreur, vous savez qu'elle n'est pas valide. Pour les e-mails vous pouvez essayer et voir si le MX d'hôte et le port 25 ouvert. Si les deux échoue, il va être en texte brut. (Je ne dis pas que ce soit)

OriginalL'auteur Vinko Vrsalovic

Suffit d'utiliser:

.*

c'est à dire correspondre à tout.

Les choses que vous voulez faire correspondre sont juste des noms d'hôtes, pas d'URL (techniquement).

Il n'y a pas de structure, vous pouvez l'utiliser pour identifier de façon certaine les noms d'hôtes.
Vous pourriez peut-être regarder pour des choses qui se terminent par ".com" mais alors, vous allez manquer de tout .co.royaume-uni, net .org, etc.

Edit:

En d'autres termes: Si vous supprimez l'exigence que l'URL-comme les choses commencent avec un protocole que vous n'aurez pas quelque chose de correspondance.
Selon ce que vous êtes en utilisant l'expression régulière sur:

1. De traiter le tout sous forme d'une URL
2. Maintenir l'exigence d'un protocole
3. Hack vérifie la commune de terminaisons pour les noms d'hôtes (par exemple .com .net .org) et accepter de vous passer à côté de certains.

OriginalL'auteur Douglas Leeder