Procurando uma expressão regular para extrair URIs válidos de HTTP de um arquivo?

Question

Eu estou procurando uma expressão regular que pode extrair http URIs de um arquivo (texto arbitrário). Observe que o texto pode ter a palavra "http", mas essa palavra pode ou não representar um endereço URI válido.

UPDATE: Eu entendo que HTML é uma gramática livre de contexto, enquanto RegEx é uma expressão regular, mas são URIs são apenas padrões (expressão regular). Ou não?

    

Answer 1

É mais difícil do que você pensa e nenhuma expressão regular é levada para pegá-los todos.
Considere URLs como este

http://www.google.com/search?q=good+url+regex&rls=com.microsoft:*&ie=UTF-8&oe=UTF-8&startIndex=&startPage=1

ftp://joe:[email protected]

google.ru

https://some-url.com?query=&name=joe?filter=.#some_anchor

Aqui está um bom artigo sobre o assunto Um bom URL expressão regular?

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

Aqui está outro um pouco mais curto de Um padrão de Regex preciso e melhorado para URLs correspondentes

(?i)\b((?:[a-z][\w-]+:(?:/{1,3}|[a-z0-9%])|www\d{0,3}[.]|[a-z0-9.\-]+[.]  
[a-z]{2,4}/)(?:[^\s()<>]+|\(([^\s()<>]+|(\([^\s()<>]+\)))*\))+  
(?:\(([^\s()<>]+|(\([^\s()<>]+\)))*\)|[^\s'!()\[\]{};:'".,<>?«»“”‘’]))

    

Answer 2

Talvez algo assim:

(http|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?