使用正则表达式从HTML页面中获取所有链接

Question

我正在使用Google Apps Script从Gmail中获取电子邮件的内容，然后我需要从HTML标签中提取所有链接。我在stackoverflow上找到了一些代码，并使用正则表达式实现了它，但问题是它总是返回给我第一个URL。（http://vacante2016.eu/tr/17599/51743713/c4f5eadf38eb475d39e3cdeca9201538）

有没有办法制作一个循环来搜索下一个与正则表达式匹配的内容，以逐个显示所有元素？

这里您可以看到一个示例，其中包含我需要从中获取这些链接的电子邮件的内容：https://www.mailinator.com/inbox2.jsp?public_to=get_urls#/#public_showmaildiv 这是我的代码：

function getURL() {

  var threads = GmailApp.getInboxThreads();
  var message = threads[0].getMessages()[0];
  var content = message.getRawContent();

    var source = (content || '').toString();
    var urlArray = [];
    var url;
    var matchArray;

    // Regular expression to find FTP, HTTP(S) URLs.
    var regexToken = /(http|https|ftp|ftps)\:\/\/[a-zA-Z0-9\-\.]+\.[a-zA-Z]{2,3}(\/\S*)?/;

    // Iterate through any URLs in the text.
    while( (matchArray = regexToken.exec( source )) !== null )
    {
      var token = matchArray[0];
      urlArray.push( token );
    }
}

更新： 将正则表达式更改为/(?:ht|f)tps?\:\/\/[a-zA-Z0-9\-.]+\.[a-zA-Z]{2,3}(\/[\S=]*)?/g可以改善问题，但是当我搜索URL时，我也会得到以下类型的响应："http://vacante2016.eu/clk/17599/5=\r\n1743713/150132/bf7639dd7e7aa48c9197a52a8c61e168\"><img"... 我认为正则表达式还应该有一个条件来返回url，但仅限于>符号。 此外，是否有一种方法可以从找到的URL中删除额外的字符，例如=，\r和\n？

- Valip

---

看起来你忘了 /g：var regexToken = /(http|https|ftp|ftps)\:\/\/[a-zA-Z0-9\-\.]+\.[a-zA-Z]{2,3}(\/\S*)?/g;。请参阅 https://dev59.com/onRB5IYBdhLWcg3wxZ1K。 - Wiktor Stribiżew

如果电子邮件使用HTML格式，那么为什么不直接从标签中获取属性呢？ - NTL

@WiktorStribiżew已经解决了这个问题，但现在一个URL响应看起来像这样：http://vacante2016.eu/tr/17599/51743713/c4f5eadf38eb475d39e3cde=ca9201538将在等号后被截断，如下所示：http://vacante2016.eu/tr/17599/51743713/c4f5eadf38eb475d39e3cde...为什么会发生这种情况？ - Valip

仍然是一样的，这就是fetch返回url的方式：href=3D"http://vacante2016.eu/tr/17599/51743713/c4f5eadf38eb475d39e3cde=ca9201538，上面的正则表达式将url截断为http://vacante2016.eu/tr/17599/51743713/c4f5eadf38eb475d39e3cde。 - Valip

@WiktorStribiżew非常感谢您的帮助，我已经更新了我的问题。 - Valip

Answer 1

要使用全局修饰符/g才能使用RegExp#exec获取多个匹配。

另外，由于你的输入是HTML代码，你需要确保不要使用\S抓取<：

/(?:ht|f)tps?:\/\/[-a-zA-Z0-9.]+\.[a-zA-Z]{2,3}(\/[^"<]*)?/g

请查看正则表达式演示。

如果由于某种原因，该模式无法匹配等号，请将其作为备选项添加：

/(?:ht|f)tps?:\/\/[-a-zA-Z0-9.]+\.[a-zA-Z]{2,3}(?:\/(?:[^"<=]|=)*)?/g

查看另一个演示（不过，第一个演示应该就可以了）。

- Wiktor Stribiżew

---

它们是字符串字面量，我使用 token.replace(/\\[rn]|=/g, '') 但没有任何反应。为了确保，我在使用 replace 前也执行了 toke.toString()。 - Valip

这部分有效是因为只删除了 = 。我还尝试过使用 .replace("\r", "") ，但是没有效果... - Valip

如果你的JavaScript代码中有换行符、回车符或等号，上述解决方案必须能够正常工作。当孩子们睡觉时，我会在Google Apps Script中进行双重检查。 - Wiktor Stribiżew

最终通过 .replace(/(=\r\n|\n|\r)/gm, '') 解决了问题。 - Valip

好的，那就完成了。我认为你可以将它缩短为.replace(/=\r\n|\n|\r/g, '')。 - Wiktor Stribiżew

Answer 2

根据您提供的代码，我假设您能够将电子邮件内容作为HTML字符串获取。

function getHref(content){
  var el = document.createElement('html');
  el.innerHTML = content;

  var hrefs = [];

  var elements = el.getElementsByTagName('a');

  for (var i=0; i < elements.length; i++){
    hrefs.push(elements[i].href);
  }

  return hrefs;
}

这将返回页面上所有锚点标签的href属性数组。

- NTL

---

在Google Apps Scripts中无法访问document对象。该框架不支持所有的JS功能，仅支持部分功能。 - Wiktor Stribiżew

这仅适用于浏览器端，客户端。Google应用脚本是服务器端的，那里根本没有DOM。 - roma