Java移除Twitter文本中URL失效问题求助

你的正则表达式test.replaceAll("http.*?\\s", "")之所以处理部分文本失效，主要有这几个关键原因：

• 未覆盖HTTPS开头的链接：你的正则只匹配http开头的URL，但示例里的链接是https//t/MUY0bj2qMT（虽然格式不规范少了冒号），http无法匹配https开头的内容。
• 依赖URL后有空白字符：正则末尾的\\s要求URL后面必须有空格，但这个示例里的URL是在字符串的最后，没有后续空白字符，所以正则无法匹配到它。

改进后的正则方案 #

我们可以调整正则来解决这些问题，这里提供两种可靠的写法：

写法一（更精准的正向预查）：

String cleaned = cuatro.replaceAll("https?.*?(?=\\s|$)", "");

写法二（更简洁的非空白字符匹配）：

String cleaned = cuatro.replaceAll("https?\\S+", "");

测试你的示例字符串 #

用改进后的代码处理你提供的字符串：

String cuatro = ("#TodosPorKiKi El plan de flia solidaria No Puede exceder los 6meses. La justicia de Santa Fe lo abandonó 2 años y ahora\r\n" + 
                 "Quieren hacerse los legalistas\r\n" + 
                 "#Verguenza Respete los derechos del niño @MiguelLifschitz @DataLifschitz https//t/MUY0bj2qMT");
String result = cuatro.replaceAll("https?\\S+", "");
System.out.println(result);

输出结果会是：

#TodosPorKiKi El plan de flia solidaria No Puede exceder los 6meses. La justicia de Santa Fe lo abandonó 2 años y ahora
Quieren hacerse los legalistas
#Verguenza Respete los derechos del niño @MiguelLifschitz @DataLifschitz

这样就成功移除了之前没匹配到的URL。

补充说明 #

• https?中的?表示s是可选的，同时覆盖http和https开头的链接；
• \\S+匹配一个或多个非空白字符，不管URL在字符串中间还是末尾都能准确匹配；
• 这个正则也能兼容Twitter短链的各种不规范格式（比如示例里少冒号的情况），因为短链本身都是连续的非空白字符。

内容的提问来源于stack exchange，提问作者Fernando