C#如何从字符串中提取无http前缀的不完整URL

你现有正则的匹配规则强制要求URL必须带http:///https://协议头或者www.前缀，自然无法识别你列出的这类无协议短链接/域名。要实现这类URL的提取，核心是匹配符合域名命名规则的文本段，调整正则规则即可实现，同时可以兼容原有带前缀URL的匹配能力。

调整后完整代码 #

protected LinkedList<string> ExtractLink(string txt)
{
    // 正则匹配逻辑：
    // 1. 保留原有http/https/www开头的URL匹配能力
    // 2. 新增无协议域名匹配：识别「字符段.2-6位顶级域名[/可选路径/参数]」格式的文本，符合通用域名命名规则
    var linkParser = new Regex(@"\b(?:https?://|www\.)?[a-zA-Z0-9-]+\.[a-zA-Z]{2,6}(?:/[^\s]*)?\b", RegexOptions.Compiled | RegexOptions.IgnoreCase);
    LinkedList<string> urls = new LinkedList<string>();

    foreach (Match m in linkParser.Matches(txt))
    {
        string matchUrl = m.Value;
        // 可选操作：提取后自动补全http前缀，避免后续直接调用URL时被识别为本地相对路径
        if (!matchUrl.StartsWith("http", StringComparison.OrdinalIgnoreCase) && !matchUrl.StartsWith("www.", StringComparison.OrdinalIgnoreCase))
        {
            matchUrl = "http://" + matchUrl;
        }
        urls.AddFirst(matchUrl);
    }

    return urls;
}

匹配效果验证 #

使用你给出的调用示例测试：

ExtractLink("Hello, this is the link that you need to check tny.sh/FJFCG8w");

可以正确提取到目标链接tny.sh/FJFCG8w，你列出的gka.co/cte3、google.com、cdn.ne/ecoe3这类格式的无协议URL都可以被正常识别。

优化提示 #

• 通用正则匹配存在极低概率的误判可能，比如普通文本中abc.def这类刚好符合域名格式的非链接文本会被识别为URL。如果你的使用场景中这类干扰文本较多，可以把正则中匹配顶级域名的[a-zA-Z]{2,6}部分替换为你需要覆盖的固定顶级域集合，比如(?:com|cn|net|co|sh|ne)，可以大幅降低误判率。
• 如果需要匹配带端口、查询参数、锚点的复杂URL，只需要调整正则后半段的路径匹配规则即可，现有规则已经可以覆盖斜杠后所有非空白字符的路径内容。

内容的提问来源于stack exchange，提问作者abolfazl-sh