正则匹配URL异常：为何'test...'这类字符串会被误匹配？

最终调试完成的正则 #

最终确定的URL匹配正则：

/\b((https?:\/\/)?(www)?\S*\.\S*\b)/gim

最初版本的正则问题 #

一开始写出的正则：

/\b((https?:\/\/)?(www\.)?.*?\.[a-z]{2,4}(\/[^\s]*)?\b)/g

存在误匹配问题，会把包含URL的整段内容（比如 as as das d youtube.com/as/ass asd asd）都匹配进去，而不是只提取URL部分。

尝试组合正则优化提取逻辑 #

为解决上述问题，尝试用两个正则组合处理：

const regex1 = /\b((^https?:\/\/)?(^www\.)?.*?\.[a-z]{2,4}(\/[^\s]*)?)\b/;
const regex2 = /((?!\s).)*$/;
let match1 = 'www.youtube.com/as/ass asd asd'.match(regex1);
let match2 = (match1?.[0] ?? '').match(regex2);

这个方法能提取单条消息里的第一个URL，但仍有缺陷：输入包含非HTTP/HTTPS协议的内容（比如 aaaa adsa ftssp://youtube.com/a/b/c asdasd https://youtube.com/e/f/g）时，会错误匹配ftssp://youtube.com/a/b/c这类不符合协议要求的字符串。

参考后的正则及误匹配问题 #

结合相关技术答案后写出的正则：

const regex = /^(?:http(s)?:\/\/)?[\w.-]+(?:\.[\w.-]+)+[\w\-_~:/?#[\]@!$&'()*+,;=.]+$/

这个正则基本能满足需求，但会误匹配test...、test..........这类纯连续点的字符串：

'test...'.match(regex) // true
'test..........'.match(regex) // true

误匹配原因及修复方案 #

原因分析

问题出在正则的域名匹配部分：[\w.-]+(?:\.[\w.-]+)+

• [\w.-]+ 可以匹配test这类合法字符，但其中包含了.，导致(?:\.[\w.-]+)+这个分组可以匹配「点 + 点」的组合。比如test...会被拆解为：test + . + .，满足[\w.-]+（匹配test）加上至少一次(?:\.[\w.-]+)（匹配.+ .），因此被判定为匹配成功。

修复后的正则

把域名部分的[\w.-]+改为[\w-]+，移除其中的.，确保每个点后面必须跟着字母或数字，不能只出现连续的点：

const regex = /^(?:http(s)?:\/\/)?[\w-]+(?:\.[\w-]+)+[\w\-_~:/?#[\]@!$&'()*+,;=.]+$/

内容的提问来源于stack exchange，提问作者Mike K