正規表現で連続したＵＲＬを検出したい

Question

テキストからURLを抽出したいです。

strを与えたら

str = 'あああhttps://example.com/xxxあああhttps://example.net/yyy/zzz';

以下がほしいという感じで挑戦しています。

[
	'https://example.com/xxx',
	'https://example.net/yyy/zzz'
];

まずネットで以下の正規表現を見つけたのですが、

const reg = /(https?:/((?!\Whttps?:)(/(\w|.)+))+/?)/g;

これではハイフンがあると途切れてしまいまして、

調べるとＵＲＬ向けの [\x21-\x7e] という正規表現があったのでそれを使って下記のようにしてみたのですが、

function spliturl(str){	
	str = decodeURI(str); 
	const reg = /(https?:/((?!\Whttps?:)(/[\x21-\x7e]+))+/?)/g;
	let matches = new Array();
	while ((match = reg.exec(str))!== null) {
	  matches.push(match[1]);
	}
	return matches;
}

これですと、以下のstrのように連続したＵＲＬに対応できませんでした。

str = 'あああhttps://example.com/xxxhttps://example.net/yyy/zzz';

そこでタイトルにあるように「連続したＵＲＬを検出したい」となりました。またその問題点がございましたら教えて頂けませんでしょうか。宜しくお願い致します。

Answer 1

こんにちは

ご質問にある

修正前:

const reg = /(https?:/((?!\Whttps?:)(/[\x21-\x7e]+))+/?)/g;

に含まれる [\x21-\x7e]+ の部分を ((?!https?:)[\x21-\x7e])+ にして、以下に修正するといかがでしょうか？

修正後：

const reg = /(https?:/((?!\Whttps?:)(/((?!https?:)[\x21-\x7e])+))+/?)/g;

以下は、動作確認のため 8個のテストケースで試したものです。

• 動作確認用ＣｏｄｅＰｅｎ： https://codepen.io/jun68ykt/pen/GRJWedp?editors=0010

考慮されていないテストケースがあり、それだと意図した結果にならなければ、コメントからお知らせ頂ければと思います。（あるいは、上記のCodePenをfork して、その意図通りにならないテストケースを追加いただいてもけっこうです）

参考になれば幸いです。

Comments

[gasorin]

どうもありがとうございます。質問の流れのままできそうなので助かりました。
CodePenの方は知らないメソッドが大量にあり驚きました。テストしたいときに便利そうなコードですね！

[jun68ykt]

どういたしまして。
> 質問の流れのままできそうなので助かりました。
とのことでよかったです????

参考までに、ＣｏｄｅＰｅｎに上げたコードでは、テストフレームワーク jest
https://jestjs.io/
で書いたテストをwebブラウザで走らせて結果もブラウザで見るための jest-lite
https://github.com/kvendrik/jest-lite
を使っています。

[gasorin]

大っ変勉強になります！どうもありがとうございます。

[jun68ykt]

????

Answer 2

ちょっとダサいですが。

// [https://xxxxx, https://xxxxあああ,...]の配列にする
var arr = str.replace(/https/gi, '____https').split('____').filter(function(v){
  return v.indexOf('https') != -1;
});

// https://xxxxあああの「あああ」部分を削除。
var urls = arr.map(function(v){
  return v.replace(/[\u3040-\u30ff]+$/, '');
});

Comments

[gasorin]

どうもありがとうございます。____というのはどういう意味ですか？