RegExp я построил до сих пор:
(?(DEFINE)
# URL
(?<proto> (https?:)?\/\/)
(?<port> :[0-9]{2,5})
(?<tld> (?:com|net|info|biz|us|org))
(?<path> (\/([a-z0-9+%-]\.?)+)*\/?)
(?<query> \?[a-z+&$_.-][a-z0-9;:@&%=+\/.-]*)
(?<hash> \#[a-z_.-][a-z0-9+$%_.-]*)
(?<subdomain> ([a-z0-9\-\.]+)\.)
# Exceptions
(?<yt_domain> (www\.)?(youtube\.com|youtu\.be)\/)
(?<yt_hash> ([\w-]{10,12})+)
(?<yt_video> \g<proto>?\g<yt_domain>+(watch)?(\/embed\/|\?v=)+\g<yt_hash>+)
)
# Capture
((?!\g<yt_video>+.*)
(\g<proto>?
\g<subdomain>
\g<tld>
\g<port>?
\g<path>?
\g<query>?
\g<hash>?
))
Мне удалось захватить ссылки в любом формате, но по какой-то причине мой негативный взгляд (см. \g<yt_video>
) не исключает ссылки на видео YouTube из списка матчей.
Линии, которые должны быть частично или полностью согласованы:
Http: www.google.com/
HTTP // www.google.com /
http://www.google.com/
: //www.google.com/
www.google.com/
www.google.com:8000
www.google.com/?key=value
github.io
www.google.com/abc/def/ijk#123
www.google.com/abc/def/ijk?v=123123123
www.google.com/abc/def/watch?v=1231231231
https://www.youtube.com/channel/UCgeu2xe0XRscaKyvBt3WgmQ
http://www.google.com/?key=value
http://www.youtube.com/
Тем не менее, он должен пропустить (не совпадают строки), которые содержат идентификатор видео YouTube):
http://www.youtube.com/watch?v=B5Gj78s6H7w&Функция = youtu.be
https://www.youtube.com/embed/y19EaW2X7ac
music.youtube.com/embed/y19EaW2X7ac
https://www.youtube.com/watch?v=B5Gj78s6H7w&Функция = youtu.be
https://www.youtube.com/watch?feature=youtu.be&v = B5Gj78s6H7w
https://www.youtu.be/B5Gj78s6H7w&Функция = youtu.be
https://www.youtu.be/B5Gj78s6H7w
Заранее спасибо за помощь или любой намек, почему отрицательный взгляд не отменяет строк.
После некоторого возни с этим, как вы диагностируете НЕ YouTube
Функция состоит в том, чтобы закомментировать оставшуюся часть и посмотреть, что соответствует.
То, что вы должны понимать об утверждениях, — это все, что они говорят
двигатель в том, что в текущей позиции не может быть вещь впереди этого.
Все, что он делает, это продвигает позицию на 1 и пробует снова.
Делает это, пока не доберется до позиции, где утверждение проходит.
Так как у вас нет якорей, он сопоставляет части строки с чем-то другим.
Итак, вы должны пройти этот фрагмент текста, чтобы избежать его частей.
Есть несколько способов обойти это, но, безусловно, самый простой — это соответствовать
(*SKIP) (*FAIL)
мимо него.
Двигатель на самом деле не соответствует ему, но он ставит текущую позицию сразу после него
и пытается снова.
Я избавился (или преобразовал в кластеры) ненужные группы захвата.
Добавлен пропуск / сбой, превращение вашего TLD в троичное дерево и форматирование для
чтение целей.
Получить RegexFormat 8 который делает это для вас и имеет
встроенный движок для тестирования регулярных выражений.
Обратите внимание, что это (?: [\w-]{10,12} )+
имеет гранулярность 10-12 символов за раз. В то время как [\w-]{10,}
будет соответствовать> 10 символов. Это в <yt_hash>
функция. И называя это этим (?&yt_hash)+
, квантификатор является избыточным / бесполезным.
Так как теперь он успешно пропускает некоторые вызовы (?&yt_video) .*
вам придется исследовать части этой функции, чтобы понять, почему
соответствовать, и, следовательно, ПРОПУСКАТЬ другие.
Здесь это сжато
https://regex101.com/r/pOq3Hc/1
/(?i)(?(DEFINE)(?<proto>(?:https?:)?\/\/)(?<port>:[0-9]{2,5})(?<tld>(?:a(?:[cd]|e(?:ro)?|[fgil-oqr]|s(?:ia)?|[tuwxz])|b(?:[abd-h]|iz?|[jl-oq-tvwyz])|c(?:at?|[cdf-ik-n]|o(?:m|op)?|[ru-z])|d[ejkmoz]|e[ceghr-u]|f[i-kmor]|g[abd-il-np-uwy]|h[kmnrtu]|i(?:[delm]|n(?:fo|t)?|[oq-t])|j(?:[em]|o(?:bs)?|p)|k[eg-imnprwyz]|l[a-cikr-vy]|m(?:[ac-hk]|lc?|[mn]|o(?:bi)?|[p-t]|u(?:seum)?|[v-z])|n(?:a(?:me)?|c|et?|[fgilopruz])|o(?:m|rg)|p(?:[ae-hk-n]|ost|ro?|[stwy])|qa|r[eosuw]|s(?:[a-eg-or]|t(?:udio)?|[uvx-z])|t(?:[cd]|el|[f-hj-p]|r(?:avel)?|[tvwz])|u[agkmsyz]|v[aceginu]|w[fs]|y[et]|z[amw]))(?<path>(\/(?:[a-z0-9+%-]\.?)+)*\/?)(?<query>\?[a-z+&$_.-][a-z0-9;:@&%=+\/.-]*)(?<hash>\#[a-z_.-][a-z0-9+$%_.-]*)(?<subdomain>[a-z0-9\-\.]+\.)(?<yt_domain>(?:www\.)?(?:youtube\.com|youtu\.be)\/)(?<yt_hash>(?:[\w-]{10,12})+)(?<yt_video>(?&proto)?(?&yt_domain)+(?:watch)?(?:\/embed\/|\?v=)+(?&yt_hash)+))((?&yt_video).*(*SKIP)(*FAIL)|(?&proto)?(?&subdomain)(?&tld)(?&port)?(?&path)?(?&query)?(?&hash)?)/
И расширен
(?i)
(?(DEFINE)
# URL
(?<proto> # (1 start)
(?: https?: )?
//
) # (1 end)
(?<port> : [0-9]{2,5} ) # (2)
(?<tld> # (3 start)
(?:
a
(?:
[cd]
| e
(?: ro )?
| [fgil-oqr]
| s
(?: ia )?
| [tuwxz]
)
| b
(?: [abd-h] | iz? | [jl-oq-tvwyz] )
| c
(?:
at?
| [cdf-ik-n]
| o
(?: m | op )?
| [ru-z]
)
| d [ejkmoz]
| e [ceghr-u]
| f [i-kmor]
| g [abd-il-np-uwy]
| h [kmnrtu]
| i
(?:
[delm]
| n
(?: fo | t )?
| [oq-t]
)
| j
(?:
[em]
| o
(?: bs )?
| p
)
| k [eg-imnprwyz]
| l [a-cikr-vy]
| m
(?:
[ac-hk]
| lc?
| [mn]
| o
(?: bi )?
| [p-t]
| u
(?: seum )?
| [v-z]
)
| n
(?:
a
(?: me )?
| c
| et?
| [fgilopruz]
)
| o
(?: m | rg )
| p
(?: [ae-hk-n] | ost | ro? | [stwy] )
| qa
| r [eosuw]
| s
(?:
[a-eg-or]
| t
(?: udio )?
| [uvx-z]
)
| t
(?:
[cd]
| el
| [f-hj-p]
| r
(?: avel )?
| [tvwz]
)
| u [agkmsyz]
| v [aceginu]
| w [fs]
| y [et]
| z [amw]
)
) # (3 end)
(?<path> # (4 start)
( # (5 start)
/
(?: [a-z0-9+%-] \.? )+
)* # (5 end)
/?
) # (4 end)
(?<query> \? [a-z+&$_.-] [a-z0-9;:@&%=+/.-]* ) # (6)
(?<hash> \# [a-z_.-] [a-z0-9+$%_.-]* ) # (7)
(?<subdomain> # (8 start)
[a-z0-9\-\.]+
\.
) # (8 end)
# Exceptions
(?<yt_domain> # (9 start)
(?: www\. )?
(?: youtube\.com | youtu\.be )
/
) # (9 end)
(?<yt_hash> # (10 start)
(?: [\w-]{10,12} )+
) # (10 end)
(?<yt_video> # (11 start)
(?&proto)? (?&yt_domain)+
(?: watch )?
(?: /embed/ | \?v= )+
(?&yt_hash)+
) # (11 end)
)
# Capture
( # (12 start)
(?&yt_video) .*
(*SKIP) (*FAIL)
|
(?&proto)?
(?&subdomain)
(?&tld)
(?&port)?
(?&path)?
(?&query)?
(?&hash)?
) # (12 end)
Других решений пока нет …