Отфильтровать URL из строки

Question

Im пытается отфильтровать URL-адреса из строки, содержащей множество специальных символов, пробелов и URL-адресов. Я пытался использовать регулярное выражение, но он терпит неудачу, ему иногда удается выровнять URL-адрес, но на выходе все еще содержатся специальные символы и пустое пространство, поэтому я здесь. С наилучшими пожеланиями P

string str; 
std::ifstream in("c:/Users/Petrus/Documents/History", std::ios::binary); 
std::stringstream buffer; 

if (!in.is_open()){ 
    cout << "Failed to open" << endl; 
} 
else{ 
    cout << "Opened OK" << endl; 
} 

buffer << in.rdbuf(); 

std::string contents(buffer.str()); 

std::ofstream out("urls.txt"); 

unsigned counter = 0; 
std::regex word_regex(
    R"(^(([^:\/?#]+):)?(//([^\/?#]*))?([^?#]*)(\?([^#]*))?(#(.*))?)", 
    std::regex::extended 
    ); 
auto words_begin = std::sregex_iterator(contents.begin(), contents.end(), word_regex); 
auto words_end = std::sregex_iterator(); 

for (std::sregex_iterator i = words_begin; i != words_end; ++i) { 
    std::smatch match = *i; 
    std::string match_str = match.str(); 
    for (const auto& res : match) { 
     counter++; 
     std::cout << counter++ << ": " << res << std::endl; 
    } 
    std::cout << " " << match_str << '\n'; 
} 

system("PAUSE"); 

return 0; 

}

Answer 1

несколько шагов, чтобы упростить (и отладки) Регулярное выражение:

1. использование имени группы (?<groupname>regex), чтобы помочь определить, что к чему и результаты доступа.
2. для «группировки только» () «с, используйте (?:regex) к„не помню“захватов, а также помогает прояснить, что происходит

однажды сделали, только несколько настроек„исправляет“это регулярное выражение для всех входов:

(?<protocol>https?:\/\/)(?:(?<urlroot>[^\/?#\n\s]+))?(?<urlResource>[^?#\n\s]+)?(?<queryString>\?(?:[^#\n\s]*))?(?:#(?<fragment>[^\n\s]))? 

• Я изменил отрицается классы полукокса, чтобы не соответствовать новой строки или пробелы: [^#\n\s]
• указано, что любой отрезок после UrlRoot является необязательным.
• добавил строку "https?" ограничить результаты действительных адресов

regex demo выход:

и группы матча (усеченный, но все есть):