URL Guesser Optimisation RegExp

Question

J'ai écrit une expression régulière plutôt lourde à utiliser dans un projet coffee-script. Il est prévu de prendre un gros morceau de texte utilisateur (messages, messages, prose) et de trouver toutes les URL potentielles là-bas, étant aussi gourmand que possible.

urlGrabber = /// 
    (\s|^)        # Start after a whitespace or string[0] 
    ([a-zA-Z]+\://)?     # Captures any protocol (just not //) 
    (\w+:\w+@)?       # Username:Password 
    ([a-zA-Z\d-]|[a-zA-Z\d-]\.)*  # Subdomains 
    [a-zA-Z\d-]{2,}      # Domain name 
    \.         # THE DOT 
    ([a-zA-Z]{2,4}(:\d+)?)    # Domain Extension with Port 
    ([/\?\#][\S/]*)*     # Some Request, greedy capture 
    \b         # Last word boundary 
    /?         # Optional trailing Slash 
///g 

Je suis en cours d'exécution avec des problèmes comme chaîne abc.mno.st.u.xvy où abs.mno.st obtient analysables comme une chaîne. Cela ne devrait pas être capturé du tout. Idem pour as.ds.d. où as.ds est capturé.

Quelqu'un peut-il expliquer pourquoi cela se produit et/ou aider avec les changements nécessaires pour résoudre ce problème?

Answer 1

Utiliser modèle regex

(?:\s+|^)             # leading spaces 
([a-zA-Z]+://|)            # protocol 
(\w+:\w+@|)             # username:password@ 
((?:[a-zA-Z\d]+(?:-[a-zA-Z\d]+)*\.)*)      # subdomain(s) 
([a-zA-Z\d]+(?:[a-zA-Z\d]|-(?=[a-zA-Z\d]))*[a-zA-Z\d])  # domain 
(\.[a-zA-Z]{2,4})           # .top-level-domain 
(:\d+|)              # :port 
(/\S*|)              # rest of url 
(?!\S) 

Note: et le domaine des sous-domaines ne peuvent pas commencer et se termine par - et il devrait y avoir pas de double -- aussi bien (sauf si vous voulez soutenir Punnycode pour IDN domain names).