提取 URL 的正则表达式

有个朋友问我一个在复杂文本中提取 URL 的正则表达式，在网上搜索了一下，鼓捣了好久，综合了多方资源，写出这么一个正则表达式：

(?<![a-zA-Z0-9://])((http|https|ftp):)?([A-Za-z0-9-]+/.)+[A-Za-z]{2,}(:[0-9]+)?[.//=/?%/-&_~`@[/]/':+!]*([^/"/"])*?(?![//=/?%/-&_~`@[/]/':+!A-Za-z0-9.])

加上点注释，我们来分析下：

(?<![a-zA-Z0-9://])(?#去掉左侧无用字符)
((http|https|ftp):)?(?#协议)
([A-Za-z0-9-]+/.)+(?#域名)
[A-Za-z]{2,}(?#TLD)
(:[0-9]+)?(?#端口号)
[.//=/?%/-&_~`@[/]/':+!]*(?#分隔符)
([^/"/"])*?(?#网址)
(?![//=/?%/-&_~`@[/]/':+!A-Za-z0-9.])(?#去掉右侧无用字符)

于是能看懂了么？

测试了些正常的 URL，都很正确。

• http://orzfly.com/
• http://orzfly:8080/orztech.php?tel=123456
• https://orzfly.com/
• http://www.williamlong.info/script/common.js
• relatedlinks.googlelabs.com/client/client.js?url=shcom&referrer=&relatedlinks_id=10065_599317151813484&title=
• ……

测试了些不正确的 URL：

• www.1/a.exe：没有匹配，正确。
• www.1@22.ci：没有匹配，正确。
• 123%ww.com：没有匹配，正确。
• www.煞笔.com：没有匹配，不正确。应该能匹配，但是由于支持国际域名难度较大，抛弃。
• www.a/b.cc：没有匹配，正确。
• g.cn/a/b.exe：没有匹配，正确。
• www.g.cnmmmg.cnlllhttp:123.123.123.123:80hhhwok.cshdn.comsdfsdf：能完整匹配，但是这个肯定不正确。求高人指点。