Una expresión regular que localiza URLs de forma precisa ☆ ★

Friday, 27 November 2009

Un problema habitual en programación: identicar las URLs que hay en una cadena cualquiera de texto, entendiendo por “cualquiera” algo sin estructura como un mensaje de correo electrónico o un mensaje publicado en Twitter. Quiero ofrecer una solución, en la forma de esta expresión regular:

b(([w-]+://?|www[.])[^s()<>]+(?:([wd]+)|([^[:punct:]s]|/)))

Este patrón debería funcionar con la mayoría de sistemas que implementan expresiones regulares. Puedo asegurar que funciona en Perl, Ruby y con la librería de expresiones regulares PCRE (que a su vez significa que funciona en PHP y BBEdit, pues ambos usan PCRE).

El patrón que ofrezco también tiene la intención de ser práctico. No procesa URLs de acuerdo a ninguna especificación oficial. No se limita a protocolos de URL predefinidos. Debería ser capaz de interpretar cosas como paréntesis y puntuación suelta. Por ejemplo, encontrará correctamente la URL en las siguientes líneas de muestra:

http://foo.com/blah_blah
http://foo.com/blah_blah/
(Algo parecido a http://foo.com/blah_blah)
http://foo.com/blah_blah_(wikipedia)
(Algo parecido a http://foo.com/blah_blah_(wikipedia))
http://foo.com/blah_blah.
http://foo.com/blah_blah/.
<http://foo.com/blah_blah>
<http://foo.com/blah_blah/>
http://foo.com/blah_blah,
http://www.ejemplo.com/wpstyle/?p=364.
http://✪df.ws/e7l
rdar://1234
rdar:/1234
x-yojimbo-item://6303E4C1-xxxx-45A6-AB9D-3A908F59AE0E
http://➡.ws/䨹
www.➡.ws/䨹
<tag>http://ejemplo.com</tag>
Sólo un enlace www.ejemplo.com.

Actúa de forma especialmente intuitiva con los paréntesis, que según mi propia experiencia parece que sólo se usan en las URLs de Wikipedia, y que aparentemente son ignorados por la mayoría de patrones de búsqueda de URLs. Sin embargo, el que ofrezco busca paréntesis abiertos y cerrados dentro de la URL; es por esto que ignora correctamente los paréntesis de la siguiente línea:

(Algo parecido a http://foo.com/blah_blah)

El patrón también es permisivo con URLs que contienen caracteres Unicode, lo que le permite, entre otras cosas, encontrar URLs con nombres de dominio IDN, como el dominio ✪df.ws que registré para el generador de URLs cortas que utilizo en el feed de Twitter de Daring Fireball.

Se aceptan sugerencias y mejoras, incluso ejemplos de cadenas de texto con las que el patrón falle.