zuTEJZ <a href="http://rgekjsqdushd.com/">rgekjsqdushd</a>, [url=http://jylnifklcdqu.com/]jylnifklcdqu[/url], [link=http://yulpncfczwfa.com/]yulpncfczwfa[/link], http://ttsegllkdryq.com/

Ahoj Honzo,

jsem na Tvém blogu poprvé (dostal jsem se sem přes MS IE10 PP gradient tool, ke kterému Ti gratuluji) a zatím se mi zde velice líbí.

Zejména tento příspěvek o zpracování volného textového vstupu a Tvůj testovací soubor mi pomohly vyladit můj odkazy-hledající regex v mém online notepadu – zápisníku http://scribz.net/ . Tam dovoluji lidem zaznamenávat jakékoli texty jako do plain-text editoru, a potom jim dynamicky servíruji odkazy pro lehký přístup. Proto umím velice dobře pochopit, jak je těžké „uhodnout“, co je legitimní odkaz a co není.

Co se týče Tvého příkladu, určitě bych nerozeznával ‚<‘ a ‚>‘ jako platné znaky URI. Jestli je ještě někdo používá (bez zakódování), tak si koleduje o problém. Jestli si dobře pamatuji, tak jsou stejně ilegální. Tím bych vyřešil první problém – HTML odkaz. (Alternativně bys mohl stříhat takovéto odkazy před znaky „">“, ale to také není dokonale systémové řešení.)

Ostatní linky jsou bohužel neřešitelné, protože ‚[‘ a ‚]‘ jsou znaky používané (třeba v session ID) a proto je nemůžeme vyloučit. Na to by byla potřeba dodatečné logiky.

V mém zápisníku rozeznám odkaz, který je ve tvaru řetězec.řetězec pokud není příliš krátký a pokud nemá dvě tečky před lomítkem. Také ne nejšťastnější řešení a vyžaduje dodatečné zpracování, ale funguje to hezky.

No a nakonec, pro prvotní vyhledání linky používám tohoto regexu (v ASP.NET formátu):
\(?(((file|http|https|mailto|gopher|ftp|net\.pipe|net\.tcp|news|nntp):(//)?(www.)?)|www.|//)?(([\w-_+@])+\.)+\w+(:\d+)?([/\\]([\w-_+.:,;=&#/%!?~/\\\<\>\[\]\(\)@])*)?

Pro zjednodušení:
prefixes = @"(((file|http|https|mailto|gopher|ftp|net\.pipe|net\.tcp|news|nntp):(//)?(www.)?)|www.|//)";
strictCollection = @"([\w-_+@])"; // pre-slash portions
topLevel = @"\w";
looseCollection = @"([\w-_+.:,;=&#/%!?~/\\\<\>\[\]\(\)@])"; // post-slash portions
pattern = @"\(?" + prefixes + @"?(" + strictCollection + @"+\.)+" + topLevel + @"+(:\d+)?([/\\]" + looseCollection + @"*)?";

Jsem si jist, že by se tento pattern dal hodně vylepšit. Je sice celkem benevolentní, ale zatím plní svůj účel. Budu proto vřele očekávat každou připomínku.

Na testování regexů jsem si vytvořil tool http://www.chacaturian.com/cruncher pracující opět na ASP.NET enginu, jestli to někomu pomůže.

Přeji hodně zdaru,
Ruben