使纯文本网址可点击的正则表达式字符串问题

Question

我需要一个 C# 中的工作正则表达式代码，它可以检测字符串中的纯文本 url (http/https/ftp/ftps)，​​并通过在其周围放置一个具有相同 url 的锚标记来使它们可点击。我已经做了一个Regex模式，代码附在下面。

但是，如果输入字符串中已经存在任何可点击的 url，那么上面的代码会在其上放置另一个锚标记。例如，以下代码中的现有子字符串： string sContent: "ftp://www.abc.com'>ftp://www.abc.com" 在运行以下代码时有另一个锚标记。有什么办法可以解决吗？

        string sContent = "ttt <a href='ftp://www.abc.com'>ftp://www.abc.com</a> abc ftp://www.abc.com abbbbb http://www.abc2.com";

        Regex regx = new Regex("(http|https|ftp|ftps)://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&amp;\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?", RegexOptions.IgnoreCase);

        MatchCollection mactches = regx.Matches(sContent);

        foreach (Match match in mactches)
        {
            sContent = sContent.Replace(match.Value, "<a href='" + match.Value + "'>" + match.Value + "</a>");
        }

另外，我想要一个正则表达式代码，使电子邮件可以点击“mailto”标签。我可以自己做，但是上面提到的双锚标签的问题也会出现在里面。

Answer 1

查看：Detect email in text using regex 和 Regex URL Replace, ignore Images and existing Links，只需替换链接的正则表达式，它永远不会替换标签内的链接，只会替换内容。

http://html-agility-pack.net/?z=codeplex

类似：

---

string textToBeLinkified = "... your text here ...";
const string regex = @"((www\.|(http|https|ftp|news|file)+\:\/\/)[_.a-z0-9-]+\.[a-z0-9\/_:@=.+?,##%&amp;~-]*[^.|\'|\# |!|\(|?|,| |>|<|;|\)])";
Regex urlExpression = new Regex(regex, RegexOptions.IgnoreCase | RegexOptions.ExplicitCapture);

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();
doc.LoadHtml(textToBeLinkified);

var nodes = doc.DocumentNode.SelectNodes("//text()[not(ancestor::a)]") ?? new HtmlNodeCollection();
foreach (var node in nodes)
{
    node.InnerHtml = urlExpression.Replace(node.InnerHtml, @"<a href=""$0"">$0</a>");
}
string linkifiedText = doc.DocumentNode.OuterHtml;

Answer 2

我知道我来晚了，但是现有答案没有解决正则表达式的几个问题。首先也是最烦人的，是反斜杠的森林。如果您使用 C# 的逐字字符串，则不必进行所有双重转义。而且无论如何，一开始就不需要大多数反斜杠。

其次，有一点：([\\w+?\\.\\w+])+。方括号形成一个字符类，其中的所有内容都被视为文字字符或类简写，如\w。但是去掉方括号并不足以让它发挥作用。我怀疑这就是你想要的：\w+(?:\.\w+)+。

第三，正则表达式末尾的量词 - ]*)? - 不匹配。 * 可以匹配零个或多个字符，因此没有必要将封闭组设为可选。此外，这种安排可能导致严重的性能下降。详情请见this page。

还有其他一些小问题，但我现在不会讨论它们。这是新的和改进的正则表达式：

@"(?n)(https?|ftps?)://\w+(\.\w+)+([-a-zA-Z0-9~!@#$%^&*()_=+/?.:;',\\]*)(?![^<>]*+(>|</a>))"

否定的前瞻 - (?![^<>]*+(>|</a>)) 是阻止标签内或锚元素内容中的匹配。不过，它仍然非常粗糙。有几个区域，例如 <script> 元素内部，您不希望它匹配但它确实匹配。但试图涵盖所有可能性会导致一英里长的正则表达式。

Answer 3

我在您的示例测试字符串中注意到，如果重复链接，例如ftp://www.abc.com 在字符串中并且已经链接，那么结果将是双锚链接。您已经拥有和 @stema 提供的正则表达式将起作用，但您需要以不同的方式替换 sContent 变量中的匹配项。

以下代码示例应该可以满足您的需求：

string sContent = "ttt <a href='ftp://www.abc.com'>ftp://www.abc.com</a> abc ftp://www.abc.com abbbbb http://www.abc2.com";

Regex regx = new Regex("(?<!(?:href='|<a[^>]*>))(http|https|ftp|ftps)://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&amp;\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?", RegexOptions.IgnoreCase);

MatchCollection matches = regx.Matches(sContent);

for (int i = matches.Count - 1; i >= 0 ; i--)
{
    string newURL = "<a href='" + matches[i].Value + "'>" + matches[i].Value + "</a>";

   sContent = sContent.Remove(matches[i].Index, matches[i].Length).Insert(matches[i].Index, newURL);
}

Answer 4

试试这个

Regex regx = new Regex("(?<!(?:href='|>))(http|https|ftp|ftps)://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&amp;\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?", RegexOptions.IgnoreCase);

它应该适用于您的示例。

(?<!(?:href='|>)) 是一个否定的lookbehind，这意味着模式只有在它前面没有“href='”或“>”时才匹配。

在regular-expressions.info上查看环视

尤其是zero-width negative lookbehind assertion on msdn

看到一些东西similar on Regexr。我不得不从后面删除交替，但 .net 应该能够处理它。

更新

为了确保也有（可能）正确处理“<p>ftp://www.def.com</p>”之类的情况，我改进了正则表达式

Regex regx = new Regex("(?<!(?:href='|<a[^>]*>))(http|https|ftp|ftps)://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&amp;\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?", RegexOptions.IgnoreCase);

lookbehind (?<!(?:href='|<a[^>]*>)) 现在正在检查是否没有“href='”或以“开头的标签”

测试字符串的输出

ttt <a href='ftp://www.abc.com'>ftp://www.abc.com</a> abc <p>ftp://www.def.com</p> abbbbb http://www.ghi.com

用这个表达方式

ttt <a href='ftp://www.abc.com'>ftp://www.abc.com</a> abc <p><a href='ftp://www.def.com'>ftp://www.def.com</a></p> abbbbb <a href='http://www.ghi.com'>http://www.ghi.com</a>