[REGEX/PHP] slim URL's parsen

[Verwijderd]

Hi,

Ik ben voor een project een 'slimme' parser aan het maken die het invoeren van gegevens in een veld van een blog monkey-proof moet maken. Lang verhaal kort, in het veld bronvermelding moet het niet uitmaken of de auteur een van de volgende dingen typt:

- http://www.google.com
- via http://www.google.com
- via google.com
- ik heb de link gevonden op google.com en http://www.google.com/test/test.html

Kortom, een 'slimme' preg_match met een valide regex volgens mij.

Na wat googlen vond ik het volgende: (stukje van hoe ik het gebruik in een class)

PHP:

<?php
        $this->url_regex = '^';
        $this->url_regex .= '(?#Protocol)(?:(?:ht|f)tp(?:s?)\:\/\/|~/|/)?';
        $this->url_regex .= '(?#Username:Password)(?:\w+:\w+@)?';
        $this->url_regex .= '(?#Subdomains)(?:(?:[-\w]+\.)+';
        $this->url_regex .= '(?#TopLevel Domains)(?:com|org|net|gov|mil|biz|info|mobi|name|aero|jobs|museum|travel|[a-z]{2}))';
        $this->url_regex .= '(?#Port)(?::[\d]{1,5})?';
        $this->url_regex .= '(?#Directories)(?:(?:(?:/(?:[-\w~!$+|.,=]|%[a-f\d]{2})+)+|/)+|\?|#)?';
        $this->url_regex .= '(?#Query)(?:(?:\?(?:[-\w~!$+|.,*:]|%[a-f\d{2}])+=(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)(?:&(?:[-\w~!$+|.,*:]|%[a-f\d{2}])+=(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)*)*';
        $this->url_regex .= '(?#Anchor)(?:#(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)?^';

              $string = "blabla http://www.google.com"
              if(preg_match($this->url->regex, $string, $match) {
                     echo $match[0]; // --> www.google.com
              }
?>

Wat is hier nu het probleem mee?

- hij matcht wel op http://www.google.nl, maar in de result van de match helaas geen 'http://'. Ondanks deze volgens mij optioneel en greedy staat (?)

De regex heb ik gevonden op: http://geekswithblogs.net...ive/2005/12/01/61722.aspx

Iemand een idee om dit werkend te krijgen?

[Verwijderd]

Sowieso is je regex niet case insensitive, lijkt me toch misschien wel handig. Volgens mij hoef je een dubbele punt niet te escapen (na http). Je regex werkt niet goed op bijvoorbeeld *.net adressen.

[Verwijderd]

hoe maak ik de regex case insensitive?

Edit: Ik heb de escape voor dubbele punt weggehaald... dat maakte inderdaad niet uit, alleen is ie nog steeds niet greedy voor het "Protocol" stuk van de regex

voor http://www.google.com vangt ie: www.google.com

[ Voor 74% gewijzigd door Verwijderd op 03-06-2009 12:48 ]

[Verwijderd]

Geinig trouwens... het forum doet het zelf ook wel goed... ff testen:

http://www.google.com
www.google.com
google.com
http://test:[e-mail]
http://test:[e-mail]
http://test:[e-mail]/
http://test:[e-mail]/test
http://test:[e-mail]/test/test/test
http://test:[e-mail]/test/test?query=blabla
http://test:[e-mail].../test?query=blabla#anchor
www.google.com/test/test?query=blabla#anchor

Edit: Die regex zoek ik dus

[ Voor 8% gewijzigd door Verwijderd op 03-06-2009 12:52 ]

[Verwijderd]

Verwijderd schreef op dinsdag 02 juni 2009 @ 23:42:

PHP:

<?php
        $this->url_regex = '^';
        $this->url_regex .= '(?#Protocol)(?:(?:ht|f)tp(?:s?)\:\/\/|~/|/)?';
        $this->url_regex .= '(?#Username:Password)(?:\w+:\w+@)?';
        $this->url_regex .= '(?#Subdomains)(?:(?:[-\w]+\.)+';
        $this->url_regex .= '(?#TopLevel Domains)(?:com|org|net|gov|mil|biz|info|mobi|name|aero|jobs|museum|travel|[a-z]{2}))';
        $this->url_regex .= '(?#Port)(?::[\d]{1,5})?';
        $this->url_regex .= '(?#Directories)(?:(?:(?:/(?:[-\w~!$+|.,=]|%[a-f\d]{2})+)+|/)+|\?|#)?';
        $this->url_regex .= '(?#Query)(?:(?:\?(?:[-\w~!$+|.,*:]|%[a-f\d{2}])+=(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)(?:&(?:[-\w~!$+|.,*:]|%[a-f\d{2}])+=(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)*)*';
        $this->url_regex .= '(?#Anchor)(?:#(?:[-\w~!$+|.,*:=]|%[a-f\d]{2})*)?^';

              $string = "blabla http://www.google.com"
              if(preg_match($this->url->regex, $string, $match) {
                     echo $match[0]; // --> www.google.com
              }
?>

Sowieso snap ik dat protocol gedeelte niet helemaal goed, ik ken dat ~ teken eigenlijk niet in regex.

Dit zou volgens mij al beter moeten werken:

code:

(?#Protocol)(?:(?:ht|f)tp(?:s?)\:\/\/)?

[RobIII]

We doen hier niet aan support op code van derden. Als je code vindt op het web en die copy/paste en verwacht dat alles in 1 keer werkt zonder er zelf moeite in te steken dan heb je nog wel even te gaan

We verwachten hier in de Devschuur wel dat je minimaal een idee hebt waar je mee bezig bent; copy/pasten van andermans code en dan verwachten dat wij het voor je fixen of uitleggen gaat hier dus niet gebeuren

Zoals je ook in onze Quickstart zult lezen verwachten we dus wel eigen inzet en dat zie ik in dit topic nergens terug.

[ Voor 18% gewijzigd door RobIII op 03-06-2009 20:28 ]