lu04net域名查询网址_使用正则表达式尽可能准确匹配域名/网址

你可能需要准确知道某个字符串是否是域名/网站地址/URL，虽然可以使用.，/等进行模糊匹配，但是可能会造成误判。

其实用正则表达式来精准匹配是很复杂的，通过代码来判断就简单多了。不过本文还是从域名的定义入手，尝试匹配一个字符串是域名还是URL。在要求不是很高的情况下，使用本文的正则表达式写的代码会相对简单一些。

网站

网址其实就是URL（统一资源定位符），由协议、主机名、路径组成。不过我们平常说的网址中的主机名一般是域名，所以在匹配的时候主要考虑域名。

域名

维基百科对域名的描述：

域名由一个或多个部分组成，各部分之间通常用点号连接起来，最右边的标签为顶级域名，例如：org.uk 的顶级域名。域名层级结构从右向左递减，每层之间以一个点号隔开。每个标签可包含 1 到 63 个八位字节。域名末尾有时有一个点号，为根节点保留，书写时通常省略，查询时由软件填写。域名中的英文字母不区分大小写。完整域名所有字符的总长度不得超过 253 个 ASCII 字符。因此，当每层使用单个字符时，限制为 127 层：127 个字符加 126 个点号，总长度为 253。但在实际应用中，某些域名可能有其他限制，也没有只有一个字符的域名后缀。

后面我就不贴非ASCII字符的描述，比如“.中国”这样的域名。

在中国电信网站备案自助管理系统中，我们可以找到该域名的描述：

域名中的符号由英文字母和数字组成，每个符号不超过63个字符，不区分大小写，符号中除连字符（-）外不能使用其他标点符号，最低级域名写在最左边，最高级域名写在最右边，多个符号组成的完整域名总共不超过255个字符。

小路

路径是一串以/分隔的字符。

正则表达式匹配

在确认URL规范完整之后，使用正则表达式来匹配会更加准确。

域名

现在，让我们尝试匹配域名。

每个标签可以由 -az AZ 0-9 个字符组成，但不能以-作为开头。标签总长度为1-63个字符，因此允许多个标签。

不要忘记我们仍然有一个总长度限制，因此请考虑添加一个零宽度断言 ^.{3,255}$ 来匹配开始和结束，以及中间的任何字符，但长度在 3 到 255 之间。使用零宽度断言，我们可以在不捕获匹配字符串的情况下对后续字符串添加限制。

现在，拼出整个正则表达式：

^(?=^.{3,255}$)[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(\.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+$

网址

针对不同的业务需求，可能会有严格匹配或者宽松匹配的方式。

比如你需要进行一些更加精确的检查，需要进行严格的检查，那么就选择严格匹配；此时任何不符合要求的字符都会被认为不是URL。

如果你只是想做一些简单的检查（比如语法高亮），那么简单的匹配就足够了；因为当你使用浏览器访问这些URL时，你仍然可以正常访问它们，并且URL会为你格式化。

配置--自动打包上传-nuget-file.html[2001:4860:4860::8888]:53/.svg域名.中文URL（严格）

匹配URL和匹配域名不一样，URL要复杂得多，严格匹配需要准确体现URL标准，但实际上为了体现标准而写的正则表达式会非常复杂，所以相比于100%准确匹配，我们还是尽量简单一些。

所以如果你没有什么特殊要求的话，建议你直接跳到最后的“轻松”部分阅读！

我们以以下 URL 为例。

首先是可选的协议名称，然后是域名，然后不要忘记可选的端口号，然后是资源路径。

组合整个正则表达式：

^[a-zA-Z0-9][-a-zA-Z0-9]{0,62}(\.[a-zA-Z0-9][-a-zA-Z0-9]{0,62})+(:[0-9]{1,5})?[-a-zA-Z0-9()@:%_\\\+\.~#?&//=]*$

顺便说一句，与域名不同，我们在这里删除了长度限制，因为 URL 可能真的很“长”。

现在，让我们解释一下资源路径中可以使用的字符。

; / ? : @ & = + $ ，这些字符应该进行转义。用于转义的字符是 &xxx;，因此转义后，您可能仍会在 URL 中看到 & 和 ;，但看不到其他字符。

- _ . ! ~ * ' ( ) 这些字符可以不转义，但不建议在 URL 中使用。对于这部分，我们考虑匹配它们。

{ } | \ ^ [ ] ` 这些字符可能会被网关当作分隔符，所以不建议出现在URL中，对于这部分我们考虑匹配。

# % " 控制字符。使用 % 组成其他字符，使用 # 引用 URL 的一部分。

因此我们最终得出结论，应该匹配的特殊字符是@:%_\+.~#?&/=。

URL（松散）

如果你比较放松的话，正则表达式就比较容易写。

此正则表达式不需要包含 https 协议前缀：

^\w+[^\s]+(\.[^\s]+){1,}$

如果上下文要求必须匹配https，那么可以这么写：