使用Java Pattern和Matcher提取URL时多余字符问题求助

问题原因 #

你写的正则表达式https?:\\S+[^\");]没能排除末尾的");"，核心问题出在\\S+上：

• \\S匹配任意非空白字符，而")"和";"都属于非空白字符，所以\\S+会直接把URL后面的");"也包含进去
• 后面的[^\");]是试图再匹配一个不属于");的字符，但这步是在\S+`匹配完成之后执行的，根本没法回溯去掉已经匹配到的");"

修正后的正则与代码 #

把正则改成用正向预查来限定URL的结束位置，确保只匹配到");之前的内容：

public static String extractUrl(String str){
    String url= "";
    // 用正向预查(?=[");])匹配到");之前的内容，不包含这些结束符
    Pattern pattern = Pattern.compile("https?:\\S*?(?=[\");])");
    Matcher matcher = pattern.matcher(str);
    if(matcher.find()) {
        url = matcher.group(0);
        System.out.println("Media services URl is :\n "+ url);
        log.info("Media services URl is :\n {}", url);
    }
    return url;
}

正则说明 #

• https?: 匹配http或https开头
• \\S*? 非贪婪匹配任意非空白字符，*?表示尽可能少匹配，直到遇到后面的限定条件
• (?=[");]) 正向预查，匹配到"、)或;之前的位置，这些结束符不会被包含在匹配结果里

内容的提问来源于stack exchange，提问作者Alferd Nobel