使用正则表达式从 html 页面获取所有链接

Question

我正在使用 Google Apps 脚本从 gmail 获取电子邮件的内容，然后我需要从 html 标记中提取所有链接。我在 stackoverflow 上找到了一些代码，并用正则表达式实现了它，但问题是它总是返回第一个 url。 (http://vacante2016.eu/tr/17599/51743713/c4f5eadf38eb475d39e3cdeca9201538)

有没有办法创建一个循环来搜索与正则表达式匹配的下一个内容以逐个显示所有元素？

在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 改进了这些事情，但现在我在搜索 url 时也得到以下类型的响应："http://vacante2016.eu/clk/17599/5=\r\n1743713/150132/bf7639dd7e7aa48c9197a52a8c61e168\"><img" ...我认为正则表达式也应该有一个条件来返回 url 但只有直到> 符号。

另外，有没有办法从找到的 url 中删除额外的字符，如 =、\r 和 \n？

Answer 1

我假设根据您提供的代码，您能够以 html 字符串的形式获取电子邮件的内容。

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;
}

这将返回页面上锚标记的所有 href 属性的数组。

Answer 2

您需要使用全局修饰符/g 来获得与RegExp#exec 的多个匹配项。

此外，由于您的输入是 HTML 代码，因此您需要确保不要使用 \S 抓取 <：

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

请参阅regex demo。

如果由于某种原因此模式与等号不匹配，请添加它作为替代：

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

见another demo（不过，第一个应该可以）。