正则表达式替换纯文本 URL 的 html 链接答案

【问题标题】：Regex to replace html links to plain-text URLs正则表达式替换纯文本 URL 的 html 链接
【发布时间】：2010-02-25 01:30:20
【问题描述】：

我需要替换html中的链接：

<a href="http://example.com"></a>

到纯文本url地址：

http://example.com

UPD。这里有一些澄清，我需要这个来从文本中删除 html 标签，但保留链接位置。它纯粹供内部使用，因此不会有任何疯狂的边缘案例代码。在这种情况下，语言是 python，但我不明白这有什么关系。

【问题讨论】：

如果您需要操作 HTML，请不要使用正则表达式。
您能确定作为参数输入的只是经过消毒的还是会有其他位？
太模棱两可了。什么语言，什么环境？
@zneak 真的吗？
@Conspicuous Compiler，公平地说，这不太可能发生（如果您对输入有一定程度的控制，或者愿意接受边缘情况下的不良结果，您可以做出一些妥协)。

标签： html regex

【解决方案1】：

正如我之前所说，如果您可以接受一些错误和/或对输入有一定程度的控制，您可以在完整性方面做出一些妥协并使用正则表达式。由于您的更新表明是这种情况，因此这里有一个适合您的正则表达式：

/<a\s(?:.(?!=href))*?href="([^"]*)"[^>]*?>(.*?)</a>/gi

$1：HREF
$2：标签内的所有内容。

这将处理下面的所有测试用例，除了最后三行：

Hello this is some text <a href="/test">This is a link</a> and this is some more text.
<a href="/test">Just a link on this line.</a>
There are <a href="/test">two links </a> on <a href="http://www.google.com">this line</a>!
Now we need to test some <a href="http://www.google.com" class="test">other attributes.</a>. They can be <a class="test" href="http://www.google.com">before</a> or after.
Or they can be <a rel="nofollow" href="http://www.google.com" class="myclass">both</a>
Also we need to deal with <a href="/test" class="myclass" style=""><span class="something">Nested tags and empty attributes</span></a>.
Make sure that we don't do anything with <a name="marker">anchors with no href</a>
Make sure we skip other <address href="/test">tags that start with a even if they are closed with an a</a>
Lastly try some other <a href="#">types</a> of <a href="">href</a> attributes.

Also we need to skip <a malformed tags.  </a>.  But <a href="#">this</a> is where regex fails us.
We will also fail if the user has used <a href='javascript:alert("the reason"))'>single quotes for some reason</a>
Other invalid HTML such as <a href="/link1" href="/link2">links with two hrefs</a> will have problems for obvious reasons.

【讨论】：

【解决方案2】：

>>> s="""blah <a href="http://example.com"></a> blah <a href="http://www.google.com">test</a>"""
>>> import re
>>> pat=re.compile("<a\s+href=\"(.*?)\">.*?</a>",re.M|re.DOTALL|re.I)
>>> pat.findall(s)
['http://example.com', 'http://www.google.com']
>>> pat.sub("\\1",s)
'blah http://example.com blah http://www.google.com'

对于更复杂的操作，使用 BeautifulSoup

【讨论】：

如果您的锚标签中有任何其他属性，这将不起作用......如果您尝试容纳它们，您的正则表达式将很快失控。

【解决方案3】：

您可以尝试将unlink 与minidom 一起使用，而不是使用正则表达式

【讨论】：