在 HTML 源代码中查找尚未标记的 URL。忽略标记的 URL答案

【问题标题】：Find URLs in HTML-Sourcecode which are not yet tagged. Ignore tagged URLs在 HTML 源代码中查找尚未标记的 URL。忽略标记的 URL
【发布时间】：2013-10-23 20:17:47
【问题描述】：

我想在 HTML 源代码中查找 URL。但只有周围没有标签的 URL。我想出了这个：

(?<!")((http(s)?://|http(s)?://www\.|(?<!/)www\.)([\w\._\-/&%]+))(?!</a>)

它很好地避免了作为链接一部分的 URL，但也能找到标记的 URL... 我认为通过测试“不跟随结束 a-tag”我可以避免标记 URL ... 哪里错了

<a href="https://foo.com">https://www.foo.com</a> <- should not hit
<span class="bar>www.test.de</span> <-HIT
"http://www.test.de" <- HIT
<a href="http://test.de">http://www.foo.com/_manno/Propello&%_-/ramblay</a> should not HIT
<span>http://www.test.de/alala </span> <-HIT

My RegEx on Debuggex

【问题讨论】：

结束 </a> 标记有一个正斜杠。不是反斜杠。不要忘记可以有空格。
我不明白你的情况。为什么"http://www.test.de" 没有命中而URL 在<span> 中却命中了？

标签： html regex tags grep pcre

【解决方案1】：

为了使您的示例工作 - 只需将前瞻（在您的正则表达式末尾）替换为：

(?![^<]*<\/a>)

附言

如果我有类似的目标 - 我想要以下结构来 HIT：

<span class="bar>"http://www.my.test"</span> <- I'd want this to HIT ;)
"http://www.test.de" <- I'd want this to HIT too (while not inside a tag)
<a href="http://www.test.de" option="2"> <- should NOT hit

如果您的目标与我刚刚描述的相符 - 则完全移除后视，并将相应的前瞻替换为：

(?![^<>]*(>|<\/a>))

这基本上意味着URL后面不会跟任何类似于“”或“>”（标签的右括号）的东西

【讨论】：

我们的目标一致！非常感谢！