c# - 正则表达式从html获取所有主机

Question

我正在尝试在一个正则表达式中获取所有 url，目前我正在使用这种模式。

/^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w \.-]*)*\/?$/  

但是，该正则表达式返回页面/文件，而不是主机。因此，不必运行第二个正则表达式，我希望这里有人可以提供帮助

这返回http://www.yoursite.com/index.html

我正在尝试返回yoursite.com。

此外，正则表达式将从 html 解析，之后将检查主机，因此 100% 的准确性并不重要。

Answer 1

假设您的正则表达式：

/^(https?:\/\/)?([\da-z\.-]+)\.([a-z\.]{2,6})([\/\w \.-]*)*\/?$/

实际上确实解析了 Urls（我还没有检查过），您可以轻松地使用捕获组来获取主机：

/^(https?:\/\/)?(?<host>([\da-z\.-]+)\.([a-z\.]{2,6}))([\/\w \.-]*)*\/?$/

当您得到Match结果时，您可以检查Groups["host"]以获取主机名。

但是在我看来，你最好只使用Uri.TryCreate，尽管你需要一些逻辑来解决可能缺少方案的问题。那是：

if (!Regex.IsMatch(line, "https?:\/\/"))
    line = "http://" + line;
Uri uri;
if (Uri.TryCreate(line, UriKind.Absolute, out uri))
{
    // it's a valid url.
    host = uri.Host;
}

解析网址是一项非常棘手的工作。例如，单个虚线段不能超过 63 个字符，并且没有什么可以阻止最后一个虚线段包含数字或连字符。也不限于 6 个字符。最好将整个字符串传递给它，而Uri.TryCreate不是尝试使用单个正则表达式复制 URL 解析的疯狂。

Url 的其余部分（在主机名之后）可能是垃圾。如果您想消除导致问题的那个位，则将所有内容提取到主机名的末尾：

^https?:\/\/[^\/]*

然后运行它Uri.TryCreate。

Answer 2

要仅捕获yoursite.com来自示例文本http://www.yoursite.com/index?querystring=value ，您可以使用此表达式，但这不会验证字符串：

^(https?:\/\/)?(?:[^.\/?]*[.])?([^.\/?]*[.][^.\/?]*)

现场演示：http ://www.rubular.com/r/UNR7qiQ0Eq