正则表达式查找一个 href 链接并将 NoFollow 添加到它们

Question

我正在尝试编写 RegEx 规则来查找我网页上的所有 href HTML 链接，并向它们添加“rel="nofollow"”。

但是，我有一个必须排除的 URL 列表（例如，任何（通配符）内部链接（例如 pokerdiy.com） - 以便将包含我的域名的任何内部链接排除在外。我也希望能够在排除列表中指定确切的 URL - 例如 - http://www.example.com/link.aspx)

这是我目前没有工作的：

(]+)(href="http://.*?(?!(pokerdiy))[^>]+>)

如果您需要更多背景/信息，您可以在此处查看完整的线程和要求（跳过顶部直接进入正文）： http://www.snapsis.com/Support/tabid/601/aff/9/aft/13117/afv/topic/afpgj/1/Default.aspx#14737

Answer 1

对 James 正则表达式的改进：

(<a\s*(?!.*\brel=)[^>]*)(href="https?://)((?!(?:(?:www\.)?'.implode('|(?:www\.)?', $follow_list).'))[^"]+)"((?!.*\brel=)[^>]*)(?:[^>]*)>

此正则表达式将匹配不在字符串数组 $follow_list 中的链接。字符串不需要前导“www”。 :) 优点是这个正则表达式将保留标签中的其他参数（如目标、样式、标题...）。如果标签中已经存在rel 参数，则正则表达式将不匹配，因此您可以强制关注不在 $follow_list 中的网址

替换为：

$1$2$3"$4 rel="nofollow">

完整示例（PHP）：

function dont_follow_links( $html ) {
 // follow these websites only!
 $follow_list = array(
  'google.com',
  'mypage.com',
  'otherpage.com',
 );
 return preg_replace(
  '%(<a\s*(?!.*\brel=)[^>]*)(href="https?://)((?!(?:(?:www\.)?'.implode('|(?:www\.)?', $follow_list).'))[^"]+)"((?!.*\brel=)[^>]*)(?:[^>]*)>%',
  '$1$2$3"$4 rel="nofollow">',
  $html);
}

如果你想覆盖 rel 无论如何，我会使用 preg_replace_callback 方法，在回调中单独替换 rel 属性：

$subject = preg_replace_callback('%(<a\s*[^>]*href="https?://(?:(?!(?:(?:www\.)?'.implode('|(?:www\.)?', $follow_list).'))[^"]+)"[^>]*)>%', function($m) {
    return preg_replace('%\srel\s*=\s*(["\'])(?:(?!\1).)*\1(\s|$)%', ' ', $m[1]).' rel="nofollow">';
}, $subject);

Answer 2

我开发了一个更强大的版本，可以检测锚标记是否已经包含“rel=”，因此不会重复属性。

(<a\s*(?!.*\brel=)[^>]*)(href="https?://)((?!blog.bandit.co.nz)[^"]+)"([^>]*)>

匹配

<a href="http://google.com">Google</a>
<a title="Google" href="http://google.com">Google</a>
<a target="_blank" href="http://google.com">Google</a>
<a href="http://google.com" title="Google" target="_blank">Google</a>

但不匹配

<a rel="nofollow" href="http://google.com">Google</a>
<a href="http://google.com" rel="nofollow">Google</a>
<a href="http://google.com" rel="nofollow" title="Google" target="_blank">Google</a>
<a href="http://google.com" title="Google" target="_blank" rel="nofollow">Google</a>
<a href="http://google.com" title="Google" rel="nofollow" target="_blank">Google</a>
<a target="_blank" href="http://blog.bandit.co.nz">Bandit</a>

替换使用

$1$2$3"$4 rel="nofollow">

希望这对某人有所帮助！

詹姆斯

Answer 3

(<a href="https?://)((?:(?!\b(pokerdiy.com|www\.example\.com/link\.aspx)\b)[^"])+)"

将匹配以http:// 或https:// 开头且在href 属性中的任何位置均不包含pokerdiy.com 或www.example.com/link.aspx 的任何链接的第一部分。替换为

\1\2" rel="nofollow"

如果rel="nofollow" 已经存在，您将得到其中两个。当然，相对链接或其他协议（如ftp:// 等）根本不会匹配。

解释：

(?!\b(foo|bar)\b)[^"] 匹配任何非" 字符，除非在当前位置可以匹配foo 或bar。 \bs 用于确保我们不会意外触发 rebar 或 foonly。

整个结构被重复（(?: ... )+），任何匹配的都保存在反向引用\2中。

由于要匹配的下一个标记是"，因此如果属性在任何地方包含foo 或bar，则整个正则表达式都会失败。