用于解析网页链接的正则表达式?

((mailto\:|(news|(ht|f)tp(s?))\://){1}\S+)

这是我从你那里拿的 regexlib.com

[编者注:{1}在这个正则表达式中没有真正的函数; see this post

从RegexBuddy库:

URL:全文查找

最后一个字符类确保,如果URL是某些文本的一部分,则URL后面的逗号或句号等标点符号不会解释为URL的一部分。

\b(https?|ftp|file)://[-A-Z0-9+&@#/%?=~_|!:,.;]*[-A-Z0-9+&@#/%=~_|]

具有 Html Agility Pack

HtmlDocument doc = new HtmlDocument();
doc.Load("file.htm");
foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//a@href")
{
Response.Write(link["href"].Value);
}
doc.Save("file.htm");

看看URI规范。那对你会有很大帮助。就性能而言,您几乎可以在一个普通网页中提取所有HTTP链接。当我说谦虚时,我绝对不是指像ELisp手册那样的一页包罗万象的HTML手册。此外,表演也是一个敏感的话题。我的建议是测量您的性能,然后决定是使用单个正则表达式提取所有链接,还是使用多个更简单的正则表达式提取所有链接。

http://gbiv.com/protocols/uri/rfc/rfc3986.html

所有HTTP和MAILTO

(["'])(mailto:|http:).*?\1

href或src调用的所有链接,包括相关链接。

#Matches things in single or double quotes, but not the quotes themselves
(?<=(["']))((?<=href=['"])|(?<=src=['"])).*?(?=\1)

#Maches thing in either double or single quotes, including the quotes.
(["'])((?<=href=")|(?<=src=")).*?\1

然而,第二种方法只能得到使用双引号的链接。

我没有时间去想一个可能不起作用的正则表达式,但我想说的是,你应该最明确地打破你的正则表达式,至少如果它能起作用的话 this level of ugliness

(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t]
)+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:
\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(
?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ 
\t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\0
....*SNIP*....
*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])
+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\
.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z
|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*\>(?:(
?:\r\n)?[ \t])*))*)?;\s*)

编辑:我甚至不能把它放在一个帖子上,太恶心了。。。。

这将从所有a标记捕获URL,只要HTML作者使用引号:

<a[^>]+href="([^"]+)"[^>]*>

我举了个例子 here

URL的?在图像/脚本/css/等中。?

%href="(.["]*)"%

根据 https://www.rfc-editor.org/rfc/rfc3986

从任何文本(不仅仅是HTML)提取url

(http\\://[:/?#\\[\\]@!%$&'()*+,;=a-zA-Z0-9._\\-~]+)