2009. február 12., csütörtök

URL-ek linkesítése szövegben

Bent merült fel ismét a probléma, hogy hogyan lehet a legegyszerűbben lecserélni egy szövegben a benne található webcímeket (URL) kattintható HTML linkekre. A megtalálásuk igazából annyira nem volt bonyolult, aki írt már pár reguláris kifejezést (regular expression), annak szerintem egy 10-15 perces ujjgyakorlat:

/(?:[a-z]+:\/\/)?(?:\S+?(?::\S+?)?@)?(?:[a-z0-9][a-z0-9-]*[a-z0-9]\.)+[a-z]{2,6}(?:(?:\/|\?).*?(?=\s|<|$))?/imx

Viszont mi van azokkal az URL-ekkel, amik elé nem lett kitéve a protokoll azonosító (pl. http://)? Erre találtam ki azt, hogy – úgysem tudjuk elkerülni azt, hogy ne csak egy preg_replace() legyen – akkor minden href-be rakjuk bele egyből a "http://"-t az elejére és majd utána cseréljük le a "http://protokoll://"-t a "protokoll://"-re.

A kész és működő kód itt látható:

preg_replace( array( '/ (?<=\s|[^@a-z0-9]|>|^) # protocol (optional) (?:[a-z]+:\/\/)? # username:password@ (optional) (?:\S+?:\S+?@)? # ip address or domain name (?: # ip address (?:(?:25[0-5]|2[0-4]\d|[01]?\d\d?)\.){3}(?:25[0-5]|2[0-4]\d|[01]?\d\d?) | # domain name (?: # domain name without tld (?:[a-z0-9][a-z0-9-]*[a-z0-9]\.)+ # tld (?: ac|ad|ae|aero|af|ag|ai|al|am|an|ao|aq|ar|arpa|as|asia|at|au|aw|ax|az| ba|bb|bd|be|bf|bg|bh|bi|biz|bj|bm|bn|bo|br|bs|bt|bv|bw|by|bz| ca|cat|cc|cd|cf|cg|ch|ci|ck|cl|cm|cn|co|com|coop|cr|cu|cv|cx|cy|cz| de|dj|dk|dm|do|dz| ec|edu|ee|eg|er|es|et|eu| fi|fj|fk|fm|fo|fr| ga|gb|gd|ge|gf|gg|gh|gi|gl|gm|gn|gov|gp|gq|gr|gs|gt|gu|gw|gy| hk|hm|hn|hr|ht|hu| id|ie|il|im|in|info|int|io|iq|ir|is|it| je|jm|jo|jobs|jp| ke|kg|kh|ki|km|kn|kp|kr|kw|ky|kz| la|lb|lc|li|lk|lr|ls|lt|lu|lv|ly| ma|mc|md|me|mg|mh|mil|mk|ml|mm|mn|mo|mobi|mp|mq|mr|ms|mt|mu|museum|mv|mw|mx|my|mz| na|name|nc|ne|net|nf|ng|ni|nl|no|np|nr|nu|nz| om|org| pa|pe|pf|pg|ph|pk|pl|pm|pn|pr|pro|ps|pt|pw|py| qa| re|ro|rs|ru|rw| sa|sb|sc|sd|se|sg|sh|si|sj|sk|sl|sm|sn|so|sr|st|su|sv|sy|sz| tc|td|tel|tf|tg|th|tj|tk|tl|tm|tn|to|tp|tr|travel|tt|tv|tw|tz| ua|ug|uk|us|uy|uz| va|vc|ve|vg|vi|vn|vu| wf|ws| ye|yt|yu| za|zm|zw ) ) ) # port: 1-65535 (optional) (?::(?:[1-9]|[1-5]?\d{2,4}|6[0-4]\d{3}|65[0-4]\d{2}|655[0-5]\d|6556[0-5]))? # path, query string, fragment (optional) (?: # path separator (slash) or query string separator (?) (?:\/|\?) # anything until a whitespace, tag opening character (<) or EOL or EOF .*? )? (?=\s|<|$) /imx', '/http:\/\/([a-z]+:\/\/)/' ), array( '<a href="http://$0">$0</a>', '$1' ), $text );

Amennyiben találnál olyan URL-t, amire a fenti kód nem működik, kérlek tudasd velem és tovább finomítom. URL-ek, amiket próbáltam már (HTML tag-ek között is):

  • username:password@example.com/path/file.html?queryString
  • http://example.com
  • https://username@example.com/path?foo=bar+baz#fragment
  • sub.example.com?foo=bar

5 megjegyzés:

  1. Egy bibi van vele, ha beirok egy email cimet, azt is kiegesziti http:// -el es a tagbe teszi.

    VálaszTörlés
  2. Ezt ismered: http://internet.ls-la.net/folklore/url-regexpr.html ?

    VálaszTörlés
  3. Hát nem ismertem, viszont ahogy néztem – és amennyire ezt fel lehet fogni –, a https-es URL-eket nem tudja lekezelni :) Sajnálom, hogy a dokumentációs oldala nem elérhető már…

    VálaszTörlés
  4. A port matchelés kimaradt belőle.
    üdv Gábor

    VálaszTörlés
  5. Köszönöm az észrevételt, továbbá kiegészítettem a domain helyett akár IP -re illeszkedéssel is

    VálaszTörlés