Javascript 正则表达式：查找 <a> 标签之外的所有 URL - 嵌套标签

Question

我已经构建了这个正则表达式代码：

((https?|ftps?):\/\/[^"<\s]+)(?![^<>]*?>|[^<>]*?<\/)

第一组捕获 HTML 中的所有链接，第二组是负前瞻，将标签内的任何部分作为属性排除，将标签内的任何部分作为内容排除。

我希望只排除 <a> 标记 - 所以解决方案可能是将最后一个术语修改为：

[^<>]*?<\/a>

但是现在如果我有嵌套标签就会出现问题，例如<b></b>在<a>中。

这是我正在处理的示例：https://regex101.com/r/lM3hC5/6（应该是 10 个匹配项）。

负前瞻对我来说仍然很棘手。我认为以下应该有效，但事实并非如此：

(?!<a.+?<\/a>)

https://regex101.com/r/hT1cG5/1

这些是对我有帮助的最后一次讨论：

• Regex replace text outside html tags

• Regex replace text but exclude when text is between specific tag

Answer 1

事实证明，最好的解决方案可能如下：

((https?|ftps?):\/\/[^"<\s]+)(?![^<>]*>|[^"]*?<\/a)

看起来只有以 quantifiers 而不是字符串开头的负前瞻才能正常工作。对于这种情况，实际上我们只能进行回溯。

同样，我们只是想确保 HTML 标记中的任何属性都不会被弄乱。然后我们从</a 开始回溯到第一个" 符号（因为它不是有效的URL 符号，但<> 符号带有嵌套标签）。

现在<a> 标签内的嵌套标签也可以正确找到。当然，代码并不完美，但它几乎可以与任何简单的 HTML 标记一起使用。只是你可能需要小心一点：

• 在<a>标签内加引号；
• 不要在没有任何属性的<a>标签上使用此算法（placeholders）；
• 您可能需要避免使用多个嵌套标签/行，除非<a> 标签内的 URL 在任何双引号之后。

这是一个非常好的和混乱的例子（不应该找到最后一个匹配，但它是）：

https://regex101.com/r/pC0jR7/2

可惜这个lookahead不起作用：(?!<a.*?<\/a>)