C++如何提取字符串中所有的URL链接-C++-PHP中文网

应使用std::regex url_pattern(r"(https?://[^\s"{}|\\^[]]+)");匹配url，排除空格及html/markdown分隔符以避免截断，不加icase`亦可，因协议实际多为小写；无协议url需另设模式并防误匹配。

c++如何提取字符串中所有的url链接

用正则表达式匹配 URL 的基本模式

C++11 起标准库支持 std::regex，但要注意：它对复杂 URL 模式的兼容性有限，尤其在 Windows MSVC 下默认引擎不支持 p{L} 或 Unicode 属性。实际提取时，应避免追求“完美 RFC 3986 兼容”，转而用宽松但实用的模式。

常见错误是写成 https?://S+ —— 这会吞掉末尾标点（如句号、逗号），也可能跨行或捕获到非 URL 的伪链接（比如 foo://bar）。更稳妥的是限定结尾字符集：

std::regex url_pattern(R"(https?://[^s"{}|\^`[]]+)");

说明：

[^s"{}|^`[]]+ 排除空格和 HTML/Markdown 常见分隔符，防止截断
不加 std::regex_constants::icase 也没关系，因为协议部分大小写固定（http:// 和 HTTP:// 都合法，但实际中几乎只用小写）
若需匹配 www.example.com 这类无协议 URL，得另加一条模式，且要小心误匹配（如 www.123）

提取所有匹配并去重 / 去噪

std::sregex_iterator 可遍历全部匹配，但原始字符串里可能有重复 URL、带参数锚点的变体（如 example.com?a=1 和 example.com?a=2），是否去重取决于用途。

实操建议：

直接存入 std::vector<:string></:string> 保留顺序和原始形式
若需去重，用 std::set<:string></:string>；但注意 @#@#@#@#@#@#@#@#@#@0 和 @#@#@#@#@#@#@#@#@#@1 是不同字符串，却指向同一资源
真正去噪要解析 URL：用第三方库（如 uri 或 cpp-httplib 的辅助函数）标准化 scheme、host、path，再比较；纯标准库做不到

示例片段：

std::string text = "访问 https://cppreference.com 和 http://example.com/path?x=1，或试试 www.github.com";
std::regex pattern(R"(https?://[^s"{}|\^`[]]+)");
std::vector<:string> urls;
for (std::sregex_iterator it(text.begin(), text.end(), pattern); it != std::sregex_iterator(); ++it) {
    urls.push_back(it->str());
}
// urls 现在包含两个完整 URL 字符串
</:string>

Windows 上 regex 性能差？换用 string_view + 手动扫描

MSVC 的 std::regex 实现性能较差，且不支持某些 POSIX 扩展。若文本量大（如解析几 MB 日志）、或需高频调用，手动扫描更可靠。

C++

"空空如也"

下载

核心思路：找 "http://" 或 "https://" 起始位置，然后向后读取直到遇到空白或分隔符。

要点：

用 std::string_view 避免重复构造 std::string
注意协议可能被编码（如 https%3A%2F%2F），但这种属于 URL 编码内容，不在原始提取范围内
手动逻辑无法处理嵌套括号或引号包裹的 URL（如 "(@#@#@#@#@#@#@#@#@#@2)"），需额外判断前后字符是否为括号/引号并跳过

简单起手版：

size_t pos = 0;
while ((pos = text.find("http://", pos)) != std::string::npos || 
       (pos = text.find("https://", pos)) != std::string::npos) {
    size_t end = text.find_first_of(" 	

()"{}|\^`[]", pos);
    if (end == std::string::npos) end = text.length();
    urls.push_back(text.substr(pos, end - pos));
    pos = end + 1;
}

别忽略编码与边界问题

URL 中可能含 UTF-8 中文域名（如 @#@#@#@#@#@#@#@#@#@3），std::regex 默认按字节匹配，不会出错，但你不能指望它识别“中文字符结束”——它只认字节范围。

更麻烦的是换行和零宽空格（u200B）等不可见分隔符，它们会让正则提前终止或漏匹配。生产环境建议：

提前用 std::erase 清理常见零宽字符（u200B-u200D, uFEFF）
对含换行的文本，确保正则 flag 含 std::regex_constants::extended 并用 [^ s] 替代 S（因 S 在某些实现中包含换行）
如果输入来自网页 HTML，先用 libxml2 或 lxml（C++ 绑定）提取文本节点，比硬啃正则靠谱得多