在不在超链接内寻找URL的正则表达式

Question

有很多正则表达式可以匹配URL。然而，我想匹配的是不出现在<a>超链接标签（HREF，内部值等）中的URL。所以这些中没有一个URL应该匹配：

<a href="http://www.example.com/">something</a>
<a href="http://www.example.com/">http://www.example2.com</a>
<a href="http://www.example.com/"><b>something</b>http://www.example.com/<span>test</span></a>

<a></a>之外的任何URL都应该被匹配。

我尝试过的一种方法是使用负向先行断言来查看URL后面的第一个<a>标签是开放的<a>还是关闭的</a>。如果它是一个关闭的</a>，那么URL必须在超链接内。我认为这个想法还好，但是负向先行断言正则表达式没有工作（或者更准确地说，正则表达式没有正确编写）。非常感谢任何提示。

- Ben Amada

---

什么平台？Perl、.NET还是Java？ - Peter Mortensen

可能是重复的问题：如何在超链接中包装文本，仅当它尚未包装在超链接中时。 - tchrist

Answer 1

我也在寻找这个答案，但因为没有一个真正满足我的需求，所以我创建了以下的正则表达式。显然，由于这是一个正则表达式，所以请注意这不是一个完美的解决方案。

/(?!<a[^>]*>[^<])(((([A-Za-z]{3,9}:(?:\/\/)?)(?:[-;:&=\+\$,\w]+@)?[A-Za-z0-9.-]+|(?:www.|[-;:&=\+\$,\w]+@)[A-Za-z0-9.-]+)((?:\/[\+~%\/.\w-_]*)?\??(?:[-\+=&;%@.\w_]*)#?(?:[\w]*))?))(?![^<]*<\/a>)/gi

更新 HTML 的整个函数如下：

function linkifyWithRegex(input) {
  let html = input;
  let regx = /(?!<a[^>]*>[^<])(((([A-Za-z]{3,9}:(?:\/\/)?)(?:[-;:&=\+\$,\w]+@)?[A-Za-z0-9.-]+|(?:www.|[-;:&=\+\$,\w]+@)[A-Za-z0-9.-]+)((?:\/[\+~%\/.\w-_]*)?\??(?:[-\+=&;%@.\w_]*)#?(?:[\w]*))?))(?![^<]*<\/a>)/gi;
  html = html.replace(
    regx,
    function (match) {
      return '<a href="' + match + '">' + match + "</a>";
    }
  );
  return html;
}

- jackc

---

https://regexr.com/7cab0 对我来说，它似乎不起作用。或者是我漏掉了什么吗？ - Oleg Yablokov

Answer 2

您可以分两步来完成，而不是试图想出一个单一的正则表达式：

1. 将HTML锚点部分（整个锚点标签：开标签、内容和闭标签）淡化（替换为空）。

2. 匹配URL

在Perl中，可以这样写：

my $curLine = $_; #Do not change $_ if it is needed for something else.
$curLine =~ /<a[^<]+<\/a>//g; #Remove all of HTML anchor tag, "<a", "</a>" and everything in between.
if ( $curLine =~ /http:\/\//)
{
  print "Matched an URL outside a HTML anchor !: $_\n";
}

- Peter Mortensen

---

如果我删除(淡化)HTML锚点，我将无法确定URL最初是否位于超链接内部，对吗？ 我只寻找在超链接标签之外的URL。 - Ben Amada

我的意思是：从开头的锚点标签到结束的锚点标签之间全部删除。 - Peter Mortensen

啊，太好了，我解决了。一开始我以为你只是要删除开头和结尾的标签，但是删除整个标签才是关键。谢谢！ - Ben Amada

-1 你应该通过一个合适的解析器来移除<a>元素，因为HTML不是一种常规语言。 - Svante

@Svante：我认为这不公平。难道不应该针对问题本身吗？问题是关于使用正则表达式进行匹配的。 - Peter Mortensen

Answer 3

 ^.*<(a|A){1,1}  ->scan until >a or >A is found
 .*(href|HREF){1,1}\=  -> scan until href= or HREF=
  \x22{1,1}.*\x22  -> accept all characters between two quotes
  > -> look for >
  .+(|){1,1} -> accept description and end anchor tag
  $ -> End of string search


    pattern= "^.*<(a|A){1,1}.*(href|HREF){1,1}.*\=.*\x22{0,1}.*\x22{0,1}.*>.+(|){1,1}$"

- Golden Lion

Answer 4

您可以使用一个正则表达式来匹配锚点和超链接：

# Note that this is a dummy, you'll need a more sophisticated URL regex
regex = '(<a[^>]+>)|(http://.*)'

然后循环遍历结果，仅处理第二个子模式被找到的匹配项。

- Ferdinand Beyer

---

这仅适用于位于标签内部的URL，而不适用于位于<a>元素内部的URL。此外，它尝试使用正则表达式解析非正则语言。 - Svante

@Svante：首先，您可以轻松地扩展示例以匹配<a...>和</a>之间的所有内容。然后它执行与已接受答案相同的操作，只需一次通过即可完成。其次，“它”不会尝试解析除基于HTML字符串出现之外的任何内容的常规语言。如果您只想在字符串中查找简单模式，则无需使用全功能HTML解析器。 - Ferdinand Beyer

Answer 5

Peter有一个很好的答案：首先，删除锚点，以便

Some text <a href="http://page.net">TeXt</a> and some more text with link http://a.net

被替换为

Some text  and some more text with link http://a.net

然后运行一个正则表达式来查找URL：

http://a.net

- Per Alexandersson

Answer 6

使用DOM过滤掉锚点元素，然后对剩余部分进行简单的URL正则表达式匹配。

- Svante