位置：首页-资讯-后端开发

如何使用 JavaScript 解析 URL？

2024-12-03 00:06

短信预约 -IT技能 免费直播动态提醒

[[417013]]

在《认识 URI 与 URL》一文中具体介绍了 URI 的格式，要使用 JavaScript 解析 URL 信息，必须先了解 URL 格式是怎样的，让我们先来回顾一下吧。

URL 格式

完整的 URL 信息包括以下几点：

协议(protocol)：采用的协议方案;
登录信息(username & password)：(可选项)指定用户名和密码，用来从服务器获取资源时的认证信息;
服务器地址(hostname)：待访问的服务器地址。可以是域名形式也可以是 IP 地址;
服务器端口号(port)：;指定服务器连接网路的端口号;
带层次的文件路径(pathname)：指定服务器上的文件路径来定位特指的资源;
查询字符串(search)：(可选项)查询字符串参数;
片段标识符(hash)：(可选项)用来标记已获取资源中的子资源;

解析 URL

在回顾了 URL 都包括哪些信息后，现在就先按照前文的 URL 格式人工解析一下 URL 的信息。以本文地址地址为例：

http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/

按照 URL 的格式规范，本文的 URL 地址解析后的信息应该如下：

protocol: http;
hostname: www.yaohaixiao.com;
pathname: /blog/how-to-parse-url-with-javascript/;

可以看到，本文地址的 URL 解析后的信息并没有前文提到的完整 URL 信息中那么多。这是因为 URL 信息中有几项信息是可选项信息，本文的示例 URL 地址中都是没有值的。

在通过人工分析的方式分析了一遍，现在就要开始使用 JavaScript 编程解析 URL 信息了。当然，解析 URL 信息的方法很多，本文主要介绍两种解析方法：正则表达式解析和 URL 构造函数解析。

正则表达式解析

使用 JavaScript 中的正则表达解析 URL 信息应该最常见的方法了，当然这需要具备一定的 JavaScript 正则表达式相关的知识。而使用正则表达式分析 URL 地址其实也并不复杂。

按照前文图片中的 URL 信息的结构，使用括号“()”分组表达符对 URL 中对应的信息进行分组，正则表达式的伪代码大致如下：

/^((protocol):)?\/\/((username):(password)@)?(hostname)(:(port))?(pathname)(\\?(search))?(#(hash))?/

可以看到，正则表达式也分了 7 组：

protocol – 协议分组：((protocol):)?，最外层的 ()? 中，? 表示数量为 0 或 1 个，即表示协议名称是可选的;
auth – 授权信息分组：((username):(password)@)?，与协议分组一样，整个授权分组也是可选的。其中又包含 username 子分组和 password 子分组;
hostname – 服务器地址分组：(hostname)，表示 hostname 信息是必选的;
port – 端口分组：(:(port))?，表示端口号是可选的;
pathname – 带层次的文件路径分组：(pathname)，表示文件路径是必选的;
search – 查询字符串分组：(\\?(search))?，表示查询字符串是可选的;
hash – 片段标识符分组：(#(hash))?，表示片段标识符分组也是可选的;

完成了大的分组后，接下来要处理的问题就是相对比较容易了，就是用真实的正则表达式将使用英文字母的伪代码内容替换掉。对应完整的 JavaScript 的正则表达式代码如下图：

可以看到，图中蓝色文字标识的是伪代码中对应的 7 个分组，而灰色文字标识的是最终需要获取的 URL 对应的信息。下面就详细介绍一下各个分组的正则表达式的含义。

1. protocol(协议分组)

// ((protocol):)? 
(([^:/?#]+):)?

([^:/?#]+)，匹配协议名称(子分组)，具体的含义如下：

[^]，表示除了“^”符号后的字符以外的所有字符。 [^:/?#] 就表示除了”:”(冒号)、”/”(反斜杠)、“?”(问号)和“#”(井号)以外的所有字符。也就是是说，协议名称可是除了以上符号以外的所有字符都可以。我这个匹配比较宽泛，通常协议名称是字母，所以也可以写作([a-zA-Z])。除非确定邀请非常高的匹配精度，可以适当写宽泛一些;
[]+，中括号后的 + 表示数量为 1~n 个，所以 ([^:/?#]+) 整个的意思是协议名称匹配为除了”:”(冒号)、“?”(问号)和“#”(井号)以外的所有字符字符都可以，并且长度要求是1个以上;

(([^:/?#]+):)?，匹配协议名称加“:”格式，例如：http: 。当然，在介绍分组伪代码的时候，介绍过了，()? 括号后的 ? 标识整个协议分组是可选的。而之所以将协议分组作为可选的，是应为实际的应用中：

//www.yaohaixiao.com/favicon.ico，这种不带协议名称的 URL 地址也是允许的。

因此，(([^:/?#]+):)? 这段表达式将匹配 2 组数据：http: 和 http，前者是大分组 ()? 匹配的信息，后者则是子分组 ([^:/?#]+) 匹配的信息，也是真正希望解析的 URL 协议信息。不过由于整个协议分组是可选的，因此协议分组的两个分组也可能都匹配不到数据。

2. auth(授权信息分组)

// ((username):(password)@)? 
(([^/?#]+):(.+)@)?

([^/?#]+)，匹配用户名，由于规则和匹配协议名称一样，在此就不重复了。

(.+)，匹配密码。具体含义如下：

“.”，表示任何字符。因为密码由于考虑安全因数，一般都希望密码是包含字符(而且包含大小写)，数组和特殊字符的组合。所以直接不做任何限制，允许密码包含任意字符。
“+”，表示数量为1个或者多个，即密码不能为空。

(([^/?#]+):(.+)@)?，匹配完整的授权信息。匹配的数据如：yao:Yao1!@。与授权信息一样，最外层的()?表示授权信息也是可选的。

因此，(([^/?#]+):(.+)@)? 整个会匹配 3 组数据：完整的用户授权分组信息、用户名以及密码。由于整个协议分组是可选的，因此授权分组的 3 组信息也可能都匹配不到数据。

3. hostname(服务器地址分组)

// (hostname) 
([^/?#:]*)

([^/?#:]*)，匹配服务器地址信息。和协议分组的表达式一样，使用了比较宽松的匹配逻辑。

4. port(端口分组)

// (:(port))? 
(:(\d+))?

(\d+)，匹配端口号信息。端口号只能是数字类型的数据，对端口号长度的要求是至少有一个。对端口号的长途匹配也没有使用太严苛的长度要求。虽然通常端口号的长度一般是 2 位数字起，但还是建议遵循之前提到的建议，如果不是有具体的精度要求，表达式都可以使用宽泛一些的匹配规则。

(:(\d+))?，匹配完整的端口号分组信息。匹配的格式如：“:80”。

同样的，整个端口号分组匹配的表达式也是可以匹配 2 组数据：:80 和 80。当然，端口号分组也是可选的，很大可能配备不到信息。

5. pathname(带层次的文件路径分组)

// (pathname) 
 
([^?#]*)

([^?#]*)，匹配带层次的文件路径信息。具体的含义是：

[^?#]，除了“?”(问号)和“#”(井号)以外的所有字符都可以作为路径信息。
[]*，表示字符长度可以是任意长度。因为 URL 地址可以是这样的：http://www.yaohaixiao.com。

虽然没有使用“()?”的形式表示路径为可选的，但用于路径的长度可以为 0，其实路径也是可选的，也有可能匹配不到数据。

6. search(查询字符串分组)

// (\\?(search))? 
 
(\\?([^#]*))?

([^#]*)，匹配查询字符串信息。除了“#”(井号)以外的所有字符都可以作为查询字符串信息。[]* 表示可选，因为路径：http://www.yaohxiao.com? 也是允许的。

(\\?([^#]*))?，匹配查询字符串的分组信息。匹配的格式如：?id=23。当然也是可选的。

整个查询字符串分组的表达式(\\?([^#]*))? ，也是可以匹配出 2 组数据。而因为整个分组是可选的，所以查询字符串的分组匹配也很可能匹配不到数据。

7. hash(片段标识符分组)

// (#(hash))? 
(#(.*))?

(.*)，匹配片段标识。“.”表示任意字符，“*”表示任意长度。即片段表示可以是任意字符，且长度为任意长度的。

(#(.*))?，匹配判断标识分组。匹配的格式如：#1234。看到()?，就知道片段标识符分组是可选的。

整个片段标识符分组的表达式(#(.*))? ，也可以匹配出 2 组数据。当然，也可能什么也匹配不上。

介绍完所有的分组表达式，最后来统计一下最多一共可以匹配多少组数据：2 + 3 + 1 + 2 + 1 + 2 + 2 + 1 = 14。其中，最后一个加1，是匹配的整个 URL 地址。

验证一下使用正则表达式对本文 URL 地址的匹配信息：

const URL = 'http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/' 
const pattern = /^(([^:/?#]+):)?\/\/(([^/?#]+):(.+)@)?([^/?#:]*)(:(\d+))?([^?#]*)(\\?([^#]*))?(#(.*))?/ 
const matches = URL.match(pattern) 
console.log(matches)

输出的结果为：

0: "http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/" 
1: "http:" 
2: "http" 
3: undefined 
4: undefined 
5: undefined 
6: "www.yaohaixiao.com" 
7: undefined 
8: undefined 
9: "/blog/how-to-parse-url-with-javascript/" 
10: undefined 
11: undefined 
12: undefined 
13: undefined 
groups: undefined 
index: 0 
input: "http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/"

正如之前人工分析的一样，使用 match() 方法匹配了 14 个结果。由于示例 URL 地址中很多可选的信息都是没有的，所以匹配结果为 undefined。但这个结果并不是那么一目了然，让我们看看完整的 parseURL() 方法。

完整的 parseURL() 方法

完整的 parseURL() 方法的如下：

 
const parseURLWithRegExp = (url = location.href, base) => { 
  const pattern = /^(([^:/?#]+):)?\/\/(([^/?#]+):(.+)@)?([^/?#:]*)(:(\d+))?([^?#]*)(\\?([^#]*))?(#(.*))?/ 
  const getURLSearchParams = (url) => { 
    return (url.match(/([^?=&]+)(=([^&]*))/g) || []).reduce((a, v) => { 
      return ((a[v.slice(0, v.indexOf('='))] = v.slice(v.indexOf('=') + 1)), a) 
    }, {}) 
  } 
  let matches, 
    hostname, 
    port, 
    pathname, 
    search, 
    searchParams 
 
  // url 是为度路径时，忽略 base 
  if (/^(([^:/?#]+):)/.test(url)) { 
    base = '' 
  } 
 
  // 设置了基准 URL 
  if (base) { 
    // 移除 base 最后的斜杠 ‘/’ 
    if (/[/]$/.test(base)) { 
      base = base.replace(/[/]$/, '') 
    } 
 
    // 确保 url 开始有斜杠 
    if (!/^[/]/.test(url)) { 
      url = '/' + url 
    } 
 
    // 保证 URL 地址拼接后是一个正确的格式 
    url = base + url 
  } 
 
  matches = url.match(pattern) 
  hostname = matches[6] 
  port = matches[8] || '' 
  pathname = matches[11] || '/' 
  search = matches[10] || '' 
  searchParams = (() => { 
    const params = getURLSearchParams(url) 
 
    return { 
      get (name) { 
        return params[name] || '' 
      } 
    } 
  })() 
 
  return { 
    href: url, 
    origin: (matches[1] ? matches[1] + '//' : '') + hostname, 
    protocol: matches[2] || '', 
    username: matches[4] || '', 
    password: matches[5] || '', 
    hostname, 
    port, 
    host: hostname + port, 
    pathname, 
    search, 
    path: pathname + search, 
    hash: matches[13] || '', 
    searchParams 
  } 
}

它返回一个对象，将正则表达式匹配的信息复制给具体的 URL 名称的属性。看看使用 parseURL() 方法解析前面的 URL 地址的结果吧：

const URL = 'http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/' 
const result = parseURL(URL)

解析后的结果：

{ 
  hash: undefined, 
  host: "www.yaohaixiao.com", 
  hostname: "www.yaohaixiao.com", 
  href: "http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/", 
  orgin: "http://www.yaohaixiao.com", 
  password: undefined, 
  path: "/blog/how-to-parse-url-with-javascript/undefined", 
  pathname: undefined, 
  port: undefined, 
  protocol: "http", 
  search: undefined, 
  username: undefined, 
}

现在解析后的结果是不是一目了然了?当然，使用正则表达式解析 URL 信息肯定不止本文提到的这一种方式，也有比本文中更好，更严谨的匹配规则，但本文中使用的匹配方式相对来说应该是比较易于容易理解和相对兼容性也比较好的一种处理方式。

URL 构造函数解析

除了前文介绍的使用 JavaScript 中的正则表达式解析 URL 信息之外，还可以利用新的 URL 构造函数来解析 URL 地址，并且解析起来更加简单。

URL() 构造函数

URL() 构造函数返回一个新创建的 URL 对象，表示由一组参数定义的 URL。如果给定的基本 URL 或生成的 URL 不是有效的 URL 链接，则会抛出一个 TypeError。

语法如下：

new URL(url [, base]);

url：是一个表示绝对或相对 URL 的 DOMString。如果url 是相对 URL，则会将 base 用作基准 URL。如果 url 是绝对URL，则无论参数base是否存在，都将被忽略;
base：可选，是一个表示基准 URL 的 DOMString，在 url 是相对 URL 时，它才会起效。如果未指定，则默认为 ”;

调用方法如下：

// 直接使用绝对 URL 地址方式调用 
const url = new URL('http://example.com/path/index.html'); 
 
// 使用 path 加 base 地址参数的方式调用 
const url = new URL('/path/index.html', 'http://example.com');

URL() 构造函数的接口信息如下：

interface URL { 
  href:     USVString; 
  protocol: USVString; 
  username: USVString; 
  password: USVString; 
  host:     USVString; 
  hostname: USVString; 
  port:     USVString; 
  pathname: USVString; 
  search:   USVString; 
  hash:     USVString; 
   
  // 只有 orgin 和 searchParams 是只读，其余的属性都是可修改的 
  readonly origin: USVString; 
  readonly searchParams: URLSearchParams; 
 
  toJSON(): USVString; 
}

所以每个使用 URL() 构造函数创建的实例，都会返回完整 URL 信息了。例如：

const url = new URL('http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/');

返回的数据为：

{ 
  hash: "", 
  host: "www.yaohaixiao.com", 
  hostname: "www.yaohaixiao.com", 
  href: "http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/", 
  origin: "http://www.yaohaixiao.com", 
  password: "", 
  pathname: "/blog/how-to-parse-url-with-javascript/", 
  port: "", 
  protocol: "http:", 
  search: "", 
  searchParams: URLSearchParams {}, 
  username: "" 
}

可以看到，使用 URL() 构造函数返回的数据和前文使用正则表达式解析的数据基本一致，只是这里多了一个 searchParams 对象。

searchParams 对象又是 URLSearchParams 对象的一个实例，用来获取查询字符串中的某个参数的值，用法如下：

const url = new URL('http://www.yaohaixiao.com/blog/how-to-parse-url-with-javascript/?id=312'); 
url.searchParams.get('id') // -> 123

URL() 构造函数的功能是不是很强大了。不知道 URL() 构造函数浏览器支持的情况怎么样?

URL() 构造函数的浏览器兼容情况

在主流浏览器中，除了 IE 浏览器，其余的都基本支持了。基本上可以放心使用 URL() 构造函数来解析 URL 信息。

使用 URL() 构造函数来解析 URL 信息的完整代码如下：

 
const parseURLWithURLConstructor = (url= location.href, base) => { 
  const results = new URL(url, base) 
  const protocol = results.protocol.replace(':', '') 
 
  return { 
    href: url, 
    origin: results.origin, 
    protocol, 
    username: results.username, 
    password: results.password, 
    hostname: results.hostname, 
    port: results.port, 
    host: results.host, 
    pathname: results.pathname, 
    search: results.search, 
    path: results.pathname + results.search, 
    hash: results.hash, 
    searchParams: results.searchParams 
  } 
}

正则表达式解析 VS URL 构造函数解析

对两种解析 URL 信息的方法进行比较，很明显使用 URL() 构造函数解析的方法操作更加简单，并且提供更多的功能。但与正则表达式解析方法比较，可能唯一不足的就是在 IE 浏览器中无法使用。

其实，只要稍微调整一下，就可以将两种方法结合起来，在支持 URL() 构造函数的浏览器中使用构造函数，不知支持的时候则使用正则表达式解析：

 
const parseURL = (url = location.href, base) => { 
  const getURLSearchParams = (url) => { 
    return (url.match(/([^?=&]+)(=([^&]*))/g) || []).reduce((a, v) => { 
      return ((a[v.slice(0, v.indexOf('='))] = v.slice(v.indexOf('=') + 1)), a) 
    }, {}) 
  } 
 
  const parseURLWithRegExp = (url) => { 
    const pattern = /^(([^:/?#]+):)?\/\/(([^/?#]+):(.+)@)?([^/?#:]*)(:(\d+))?([^?#]*)(\\?([^#]*))?(#(.*))?/, 
      matches = url.match(pattern), 
      hostname = matches[6], 
      port = matches[8] || '', 
      pathname = matches[11] || '/', 
      search = matches[10] || '', 
      searchParams = (() => { 
        const params = getURLSearchParams(url) 
 
        return { 
          get (name) { 
            return params[name] || '' 
          } 
        } 
      })() 
 
    return { 
      href: url, 
      origin: (matches[1] ? matches[1] + '//' : '') + hostname, 
      protocol: matches[2] || '', 
      username: matches[4] || '', 
      password: matches[5] || '', 
      hostname, 
      port, 
      host: hostname + port, 
      pathname, 
      search, 
      path: pathname + search, 
      hash: matches[13] || '', 
      searchParams 
    } 
  } 
 
  const parseURLWithURLConstructor = (url) => { 
    const results = new URL(url) 
    const protocol = results.protocol.replace(':', '') 
 
    return { 
      href: url, 
      origin: results.origin, 
      protocol, 
      username: results.username, 
      password: results.password, 
      hostname: results.hostname, 
      port: results.port, 
      host: results.host, 
      pathname: results.pathname, 
      search: results.search, 
      path: results.pathname + results.search, 
      hash: results.hash, 
      searchParams: results.searchParams 
    } 
  } 
 
  // url 是为度路径时，忽略 base 
  if (/^(([^:/?#]+):)/.test(url)) { 
    base = '' 
  } 
 
  // 设置了基准 URL 
  if (base) { 
    // 移除 base 最后的斜杠 ‘/’ 
    if (/[/]$/.test(base)) { 
      base = base.replace(/[/]$/, '') 
    } 
 
    // 确保 url 开始有斜杠 
    if (!/^[/]/.test(url)) { 
      url = '/' + url 
    } 
 
    // 保证 URL 地址拼接后是一个正确的格式 
    url = base + url 
  } 
 
  if (window.ActiveXObject) { 
    return parseURLWithRegExp(url) 
  } else { 
    return parseURLWithURLConstructor(url) 
  } 
}