Strippe url for overflødige ting ?

Altså skal den strippe alt væk fra /'en efter .dk'et i url'en

/Websam

Hvis du har en variabel
der feks. hedder extern og ekstern indeholder den der HTTP_REFERER

Så vil variablen domain2 i nedenstånede indeholde hvor folk kommer fra

if extern >"" then
urlArray2=split(extern,"/")
domain2=mid(urlArray2(2),inStr(urlArray2(1),".")+1)
end if

LN

Ok jeg lavede lige et forsøg med følgende url :

http://www.google.dk/?m=123&a=456

Og det bliver til :

www.google.dk

Det er som sådan oxo fint nok men jeg ville gerne have det til at være :

http://www.google.dk/

altså beholde både http:// og / i url'en. Hvad skal der til hvis jeg skal kunne det ?

/Websam

Jeg kan jo selvfølgeligt lave det på denne måde :

Dim url1 As Array
Dim url2 As String
Dim extern As String = "http://www.google.dk/?m=123&a=456"
If extern > "" Then
    url1 = Split(extern, "/")
    url2 = "http://" & Mid(url1(2), InStr(url1(1), ".") + 1) & "/"
End If
Response.Write(url2)

Men det er jo ikke det pæneste ;o)

/Websam

Umiddelbart ville jeg forvente at der allerede findes en class som bl.a. kan parse urls, men jeg har ikke kunnet finde den.

I stedet kan man jo altid ty til regulære udtryk:

string urlStr = "http://www.google.dk/search?hl=da&q=asp&meta=";

Regex re = new Regex("^((http|https|ftp)://)?(?<uri>[^/]+)", RegexOptions.IgnoreCase);
Match rem = re.Match(urlStr);
if (rem.Success)
{
    Console.WriteLine("URL: " + rem.Groups["uri"].Value);
}
else
{
    Console.WriteLine("Kunne ikke bestemme URL.");
}

... eller i denne version hvor http'et også kommer med i resultatet:

string urlStr = "http://www.google.dk/search?hl=da&q=asp&meta=";

Regex re = new Regex("^(?<uri>((http|https|ftp)://)?[^/]+)", RegexOptions.IgnoreCase);
Match rem = re.Match(urlStr);
if (rem.Success)
    Console.WriteLine("URL: " + rem.Groups["uri"].Value);
else
    Console.WriteLine("Kunne ikke bestemme URL.");

Det virker nielle, men kan du forklare mig hvad det betyder of jeg fatter hat af regexp :

Regex("^(?<uri>((http|https|ftp)://)?[^/]+)", RegexOptions.IgnoreCase)

???

/Websam

Og er det muligt oxo at bibeholde /'en efter .dk'et ???

/Websam

Ja, det er muligt:

string urlStr = "http://www.google.dk/search?hl=da&q=asp&meta=";

Regex re = new Regex("^(?<uri>((http|https|ftp)://)?[^/]+/?)", RegexOptions.IgnoreCase);
Match rem = re.Match(urlStr);
if (rem.Success)
    Console.WriteLine("URL: " + rem.Groups["uri"].Value);
else
    Console.WriteLine("Kunne ikke bestemme URL.");

Forklaring:

(1)

|-tegenet betyder eller, og derfor betyder:

(http|https|ftp)

- http eller https eller ftp.

(2)

Derfor betyder:

(http|https|ftp)://

- en af disse tre muligheder efterfulgt af ://

(3)

Et ?-tegn tolkes som ”dette kan være der eller ej”, og derfor betyder:

((http|https|ftp)://)?

- at url’et kan begynde med http://, https://, ftp:// eller slet ikke have den del med.

Der er en ekstra parentes med i forhold til udtrykket i (2); Denne betyder bare at ?-tegnet går på det hele, og ikke kun på det allersidste tegn.

(4)

Dernæst kommer:

[^/]

- og dette betyder ”et tegn som ikke er et /-tegn” altså et hvert andet tegn end et /-tegn.

(5)

Et +-tegn betyder ”et eller flere tegn”, og derfor er:

[^/]+

- det samme som ”et eller flere tegn som ikke er et /-tegn”.

Regulære udtryk er som udgangspunkt ”grådige”. Dette betyder at de forsøger at matche så meget som overhovedet muligt. Af den grund så betyder det også at (5) skal tolkes som ”alle tegn fra nu af, som ikke er et /-tegn” eller ”alle tegn frem til lige før det næste /-tegn”.

(6)

Endeligt:

/?

- betyder at der så må komme et /-tegn eller ej. ?-tegnet blev forklaret i (3).

(7)

Nu har vi så matchet den del af url’et som vi er interesseret i. Dernæst skal vi bare have fat i værdien til vores C#-kode.

Dette gæres med denne konstruktion:

(?<uri> ... )

- som gør at vi siden hen kan få fat i værdien via dette:

rem.Groups[”uri”].Value

- hvor rem er resultatet af et kald til metoden Match() kaldt på det regulære udtryk.

(8)

Så er vi næsten ved vejs ende. Der mangler lige en forklaring på det lille ^-tegn som er i starten:

^-tegnet er et anchor (anker på dansk), og det bruges til at angive at ”her starter strengen”. Uden dette kunne man have matchet noget hvor url’et stod midt inde i teksten, og hvor der altså var noget tekst foran url’et.

Det er simplethen så super med en udførlig forklaring, Takker.

Med hensyn ^ skal jeg så forstå det således at hvis url'en stor midt i en tekst så skal jeg ikke bruge tegnet(^) ?

/Websam

Korrekt :^)

Cool, takker.

Korrektion: Mønsteret vil ikke fange et URL inde midt i en tekst – dvs. det vil det, men det vil tage alt for meget med hvis ikke url'et starter med f.eks. ”http://” men blot fremstår som ”www.google.dk”. Mønsteret virker mest optimalt hvis det er garanteret at din streng indeholder et url og ikke noget andet. Hvis man ønsker at kunne tage højde for alle mulige andre variationer over dette tema, så bliver mønsteret hurtigt meget mere komplekst.