我正在寻找一种正则表达式模式，它可以匹配 HTML 中未包装到“a”标签中的 url，以便进一步将它们包装到“a”标签中（即突出显示所有未突出显示的链接）。
输入是简单的 HTML，允许使用“a”、“b”、“i”、“br”、“p”“img”标签。所有其他 HTML 标签不应出现在输入中，但上述标签可以以任意组合出现。
因此，pattern 应该忽略所有属于现有 'a' 标签一部分的 url，并匹配所有其他链接，这些链接只是纯文本，没有包装到 'a' 标签中，因此没有突出显示，也不是超链接。如果模式能匹配以 http://、https:// 或 www. 开头并以 .net、.com 结尾的 url，那就太好了。如果 URL 不是以 http://、https:// 或 www 开头，则为 .org。
我尝试过类似 '(?!]+>)http://[a-zA-Z0-9._-]+(?!)' 之类的方法来匹配比我上面描述的更简单的情况，但似乎这个任务不是太明显了。
非常感谢您的帮助。
【问题讨论】：
您可以使用BeautifulSoup 或类似名称来排除所有已经属于链接的网址。
然后，您可以将纯文本与已经存在的 url 正则表达式之一匹配（谷歌“url 正则表达式”，您想要哪个取决于您想要获得的花哨）。
【讨论】：
根据定义，使用单个正则表达式解析 HTML 几乎是不可能的，因为正则表达式没有状态。
改为构建/使用真正的解析器。也许是BeautifulSoup 或html5lib。
以下代码使用 BeautifulSoup 从页面中提取所有链接：
from BeautifulSoup import BeautifulSoup
from urllib2 import urlopen
url = 'http://stackoverflow.com/questions/1296778/'
stream = urlopen(url)
soup = BeautifulSoup(stream)
for link in soup.findAll('a'):
if link.has_key('href'):
print unicode(link.string), '->', link['href']
同样，您可以使用soup.findAll(text=True) 找到所有文本并在那里搜索网址。
搜索 url 也非常复杂 - 你不会相信 url 上允许的内容。一个简单的搜索显示了数千个示例，但没有一个与规范完全匹配。您应该尝试更适合您的方法。
【讨论】：
谢谢各位！以下是我的解决方案：
from django.utils.html import urlize # Yes, I am using Django's urlize to do all dirty work :)
def urlize_html(value):
"""
Urlizes text containing simple HTML tags.
"""
A_IMG_REGEX = r'(<[aA][^>]+>[^<]+</[aA]>|<[iI][mM][gG][^>]+>)'
a_img_re = re.compile(A_IMG_REGEX)
TAG_REGEX = r'(<[a-zA-Z]+[^>]+>|</[a-zA-Z]>)'
tag_re = re.compile(TAG_REGEX)
def process(s, p, f):
return "".join([c if p.match(c) else f(c) for c in p.split(s)])
def process_urlize(s):
return process(s, tag_re, urlize)
return process(value, a_img_re, process_urlize)
【讨论】：