链接正则表达式

在编写网页爬虫或者文本处理程序时，经常需要从文本中提取链接。链接正则表达式就是一种用于匹配链接的正则表达式。

完整链接匹配

一般来说，完整的链接应该包含协议、域名和路径。如 http://example.com/path/to/file.html。下面是一个匹配完整链接的正则表达式：

/^(http(s)?\:\/\/)?[A-Za-z0-9.-]+(\.[A-Za-z]{2,})(\/\S*)?$/

它由以下几部分组成：

• /^...$/：正则表达式的开始和结束符号。
• (http(s)?\:\/\/)?：可选的 http 或 https 协议。
• [A-Za-z0-9.-]+：任意个由大小写字母、数字、点号和中划线组成的字符，用于匹配域名的前半部分。
• (\.[A-Za-z]{2,})：点号加两个或以上的字母，用于匹配域名的后缀部分。
• \/\S*：路径部分，以斜杠开头，后面跟着任意个非空白字符。

该正则表达式可匹配以下字符串：

• http://example.com
• https://example.com/path/to/file.html
• http://subdomain.example.com/index.html

相对链接匹配

相对链接指的是不包括协议和域名的链接，如 /path/to/file.html。下面是一个匹配相对链接的正则表达式：

/^\/[A-Za-z0-9]+\S*$/

它由以下几部分组成：

• /^...$/：正则表达式的开始和结束符号。
• \/：斜杆符号，用于匹配路径的起始部分。
• [A-Za-z0-9]+：任意个由大小写字母和数字组成的字符，用于匹配路径的第一个词。
• \S*：匹配路径中除第一个词以外的任意个非空白字符。

该正则表达式可匹配以下字符串：

• /path/to/file.html
• /index.html
• /path/to/directory/

扩展阅读

• 正则表达式基础教程
• 正则表达式在线测试工具