Javascript 正则表达式 : Find all URLs outside tags - Nested Tags

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，第二组是否定前瞻，将标签内的任何部分排除为属性，并将标签内的任何部分排除为内容。

我只想要<a>标签被排除在外 - 因此解决方案可能是仅将最后一项修改为:

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

但是现在如果我有嵌套的标签就会有问题，比如<b></b>里面<a> .

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

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)

看起来负先行只有在以 quantifiers 开头时才能正常工作而不是字符串。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 标签内的任何内容都不会被弄乱。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 <> 符号出现在嵌套标签中)。

现在还在 <a> 中嵌套了标签正确找到标签。当然，代码并不完美，但它应该适用于几乎所有简单的 HTML 标记。只是您可能需要小心一点:

• 在 <a> 内放置引号标签；
• 不要在 <a> 上使用此算法没有任何属性的标签 ( placeholders );
• 以及您可能需要避免使用多个嵌套标签/行，除非 URL 在 <a> 内标记在任何双引号之后。

这是一个非常好的和困惑的例子(最后一个匹配不应该找到，但它是):

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

很遗憾，这个前瞻不起作用:(?!<a.*?<\/a>)