如何使用PHP正则匹配字符串中含大小写、空格混淆的垃圾URL地址

问题原因 #

1. 原正则后缀匹配规则仅写了[a-z0-9]，未覆盖大写字母，因此无法匹配大小写混合、全大写的域名
2. 未对带空格分隔的单字符场景做重复匹配，导致t e x t . c o m这类域名仅能匹配到前几个字符就中断
3. 缺少规则边界校验，才会存在误匹配句尾句号的风险

最优解决方案 #

直接使用大小写不敏感修饰符i简化规则，同时调整结构适配带空格的域名，最终正则如下：

$pattern = '|(?:[A-Za-z0-9]\s*)+\.(?:\s*[A-Za-z0-9])+|i';

测试代码：

$str = 'Curabitur aliquet quam page.com Page.Com t e x t . c o m id dui .Posuere curabitur strona quam id dui posuere. Aitur aliquet TEXT.COM quam id dui posuere. A ';
$num_found = preg_match_all($pattern, $str, $out);
print_r($out[0]);

输出结果完全匹配你的预期：

• page.com
• Page.Com
• t e x t . c o m
• TEXT.COM

规则说明 #

• 末尾的i是preg的大小写不敏感修饰符，无需重复编写大小写匹配规则，天然支持所有大小写组合的域名
• (?:[A-Za-z0-9]\s*)+匹配域名前缀，支持单字符加空格的分隔写法，覆盖page、t e x t等场景
• 强制要求包含点号.，且点号前后必须满足域名字符规则，普通句子末尾的句号前无合法域名字符，不会被误匹配
• 后缀规则(?:\s*[A-Za-z0-9])+适配com、c o m等带空格的后缀写法

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