c - 正则表达式 URL 捕获组

Question

我正在编写一个正则表达式并尝试将 URL 的每个部分放入它自己的捕获组中以进行提取:

• 协议(protocol) (http,https)
• 子域 (sub)
• 域 (域)
• 域扩展 (com,net)
• 路径 (/path/to/file - 这是文件所在目录的路径)
• URI (文件名)
• URI 扩展名 (文件扩展名 - js、css、pdf)

示例网址:

http://domain.com/path1/to/file.js
http://domain.com/path-dash/to-dash/file.js
http://domain.com/path-dash/to-dash/file-name.js
https://sub.domain.com/path/to/file.js
http://sub.domain-dash.net/path/to/file.js
http://sub-dash.domain.com/path/to/file.js
http://sub-dash.domain-dash.com/path/to/file.js

我目前拥有的:

/(https?):\/\/(\w+[\-]?\w+)?.?(\w+[\-]?\w+)?/gm

期望的输出:

• Group1:协议(protocol)
• Group2:子域(如果存在，如果不存在则留空)
• Group3:域
• Group4:域名后缀
• Group5:目录路径
• Group6:文件名
• Group7:文件扩展名

问题:在我上面列出的所有示例中，如何将每个 URL 部分放入它自己的捕获组？

Answer 1

您可以使用 https://regex101.com/查看组号。

如果您确实关心数字，您始终可以使用“非捕获组 (?:)

(https?):\/\/(?:([\w-]+)\.)?([\w-]+)\.(\w+)((?:\/[\w-]+)*\/)([\w-]+)+\.([\w]+)

那样你确实会得到

第 1 组:协议(protocol)

组 2. 子域

组 3. 域

组 4. 域扩展 (TLD)

组 5./path/to/

第 6 组. 文件名

第 7 组. 扩展

---

如果有额外的组不打扰你，那么

/(https?):\/\/(([\w-]+)\.)?([\w-]+)\.(\w+)((\/[\w-]+)*\/)([\w-]+)+\.([\w]+)/

你会得到

第 1 组:协议(protocol)

组 3. 子域

第 4 组.域

第 5 组。顶级域(或如您所说的域扩展)

第 6 组。/path/to/

第 8 组. 文件名

第 9 组. 扩展