使用 Perl 正则表达式确定 URI 是否有效

对于我正在开发的应用程序，我需要一个 Perl 脚本，它循环遍历大量 CSV 文件并确保每一行都包含有效的 URI。我之前已经问过一个关于解析 CSV 文件的问题，并且我已经开始使用Text::CSV让我的生活变得更轻松。现在我面临确保 URI 有效的问题。

由于我的应用程序的性质，URI 不需要采用完整的形式

protocol://username:[email protected]/request?vars=values

相反，我只对此的请求部分感兴趣。对于一般网站，这将是之后的任何内容.com, .edu, etc.

我目前有以下 Perl 脚本：

if($_ !~ /^(?:[a-z0-9-._~!$&'()*+,;=:/?@]|%[0-9A-F]{2})*$/i){
    print "Invalid URL format";
    exit;
} else {
    /* stuff */
}

正则表达式应该相当简单。请求允许包含一小组符号中的一个（[a-z0-9-._~!$&'()*+,;=:/?@]) 或者它可能包含百分号 (%) 后跟两个十六进制数字。这些模式中的任何一个都可以无限地重复。

当我运行此脚本时，出现以下错误：

Number found where operator expected at ./301rules.pl line 58, near "%[0"
        (Missing operator before 0?)
Bareword found where operator expected at ./301rules.pl line 58, near "9A"
        (Missing operator before A?)
Bareword found where operator expected at ./301rules.pl line 58, near "$/i"
        (Missing operator before i?)
syntax error at ./301rules.pl line 58, near "%[0"

很明显，我的正则表达式中的某些内容需要转义，但我不确定是什么。我尝试着逃避every创建以下正则表达式的可能符号：

if($_ !~ /^(?:[a-z0-9\-\.\_\~\!\$\&\'\(\)\*\+\,\;\=\:\/\?\@]|%[0-9A-F]{2})*$/i){

然而，当我这样做时，它只是允许every通过测试的字符串，即使是我知道无效的字符串，例如te%st or é

那么有没有人有 Perl 正则表达式的经验并且知道我需要转义什么以及我不应该转义什么？对于 19 个不同的符号，我不想尝试所有 2^19 = 524288 种可能性。

编辑-投票结束。我发现这个问题实际上就存在于这个循环之上，尽管我还不完全明白为什么。

I had:

if( $_ == "" ){
    next;
}
/* regex conditional from above */

无论出于何种原因，它不断评估为 true 并进入下一次迭代，尽管显然有数据存储在$_。我会弄清楚为什么会这样，但目前正则表达式可以很好地处理所有转义的内容。

在文档中URI module我发现了以下内容：

使用 REGEXP 解析 URI

作为该模块的替代方案， 以下（官方）常规 表达式可用于解码 网址：

    my($scheme, $authority, $path,
    $query, $fragment) =   $uri =~
    m|(?:([^:/?#]+):)?(?://([^/?#]*))?([^?#]*)(?:\?([^#]*))?(?:#(.*))?|;

URI::Split 模块提供了 函数 uri_split() 作为可读的替代方案。

但我觉得正则表达式::通用::URI可能是 HTTP URI 语法验证的理想解决方案。

use Regexp::Common qw /URI/;
while (<>) {
    /$RE{URI}{HTTP}/  and  print "Contains an HTTP URI.\n";
}

任何由达米安（Damian）编写并由阿比盖尔（Abigail）维护的东西都必须是受启发的、伟大的、疯狂的，或者以上全部。 （我的意思是给予最高的敬意）。