mysql - 如何在 SQL 友好的正则表达式中匹配标签外但不在标签内的 URL

Question

我正在尝试检测对网页上可见的 URL 的使用，同时忽略标记内的 URL。这将针对 SQL 查询中的特定数据库字段运行，因此据我所知，前瞻对我不可用。要搜索的字段包含 HTML 页面片段。

我遇到的问题是标签内的 URL 在不应该匹配的情况下匹配。

详情如下:

我正在运行以下正则表达式:

[^=\"\/]([Hh][tT][tT][pP][sS]?:\/\/)?([\w]+\.)*[\w]+\.([A-za-z]+)

针对以下字符串。我希望以 + 开头的 5 个字符串不匹配(被认为是好的)，以 - 开头的 7 个字符串匹配(被认为是坏的/可报告的):

(更新:+ 和 - 只是为了显示我希望哪些字符串被认为是好的或坏的。它们不一定会出现在要检查的数据中，并且与问题无关。)

(第二次更新:整个表达式从一开始就是错误的。SQL 显然需要 POSIX，所以我将表达式替换为:

[^.=..".](https?[.:.][./.][...])?(:alnum:)*[:alnum:]+[.period.][:alpha:][:alpha:]+

但是还是不行。我不知道什么匹配什么不匹配的详细信息，但它仍然匹配 HTML 标记内的代码。)

+<a href="http://www.sfmta.com">text is okay</a>    
+<a href="http://WWW.SFMTA.COM" title="Commercial">com</a>    
+text is okay    
+text is...okay    
+000.000.0000    
-text is okay com    
-text is bad HTTP://WWW.SFMUNI.COM    
-<a href="http://www.sfmta.com">http://www.sfmuni.com</a>    
-<a href="http://www.sfmta.com">www.sfmuni.com</a>    
-<a href="http://www.sfmta.com">sfmuni.com</a>    
-text is bad www.sfmuni.com    
-text is bad sfmuni.com    

出于某种原因，标签中的所有 URL 都匹配，而它们都不应该匹配。

来自 [PHP Live Regex] [1]，结果(穿插在原始字符串中):

1.

+<a href="http://www.sfmta.com">text is okay</a>    

预期没有匹配，但是匹配

Array
(
    [0] => www.sfmta.com
    [1] => 
    [2] => ww.
    [3] => com
)

2.

+<a href="http://WWW.SFMTA.COM" title="Commercial">com</a>    

预期没有匹配，但是匹配

Array
(
    [0] => WWW.SFMTA.COM
    [1] => 
    [2] => WW.
    [3] => COM
)

3.

+text is okay    

如预期的那样不匹配

Array
(
)

4.

+text is...okay    

如预期的那样不匹配

Array
(
)

5.

+000.000.0000    

如预期的那样不匹配

Array

(
)

6.

-text is okay com    

如预期的那样不匹配

Array
(
)

7.

-text is bad HTTP://WWW.SFMUNI.COM    

如预期的那样匹配

Array
(
    [0] =>  HTTP://WWW.SFMUNI.COM
    [1] => HTTP://
    [2] => WWW.
    [3] => COM
)

8.

-<a href="http://www.sfmta.com">http://www.sfmuni.com</a>    

匹配 www.sfmta.com，预计匹配 http://www.sfmuni.com或 www.sfmuni.com

Array
(
    [0] => www.sfmta.com
    [1] => 
    [2] => ww.
    [3] => com
)

9.

-<a href="http://www.sfmta.com">www.sfmuni.com</a>    

匹配 www.sfmta.com，预计匹配 www.sfmuni.com

Array
(
    [0] => www.sfmta.com
    [1] => 
    [2] => ww.
    [3] => com
)

10.

-<a href="http://www.sfmta.com">sfmuni.com</a>    

匹配 www.sfmta.com，预计匹配 sfmuni.com

Array
(
    [0] => www.sfmta.com
    [1] => 
    [2] => ww.
    [3] => com
)

11.

-text is bad www.sfmuni.com    

如预期的那样匹配

Array
(
    [0] =>  www.sfmuni.com
    [1] => 
    [2] => www.
    [3] => com
)

12.

-text is bad sfmuni.com    

如预期的那样匹配

Array
(
    [0] =>  sfmuni.com
    [1] => 
    [2] => 
    [3] => com
)

如何让标签中的 URL 不匹配？在具有 URL 的任何给定标记中，除了 href 或 src 之外，可能还有其他属性。

我还意识到文本中的 URL 从字段的最开头开始，或者如果有人在文本中的 URL 之前键入 =、"或/，这些将被遗漏。这些可能但不太可能。但是如果有人能在合理长度的正则表达式中捕捉到这些内容，那将是一个奖励。但是，对我来说更重要的是不要匹配标签内的 URL。

  [1]: http://www.phpliveregex.com/

Answer 1

我知道那是旧帖子，但也许有人正在寻找 MySQL 中正则表达式的示例:

SELECT str
, str REGEXP '^([.<.].*[.>.])?(.* )?(https?[.:.][./.]{2})?([a-zA-Z0-9]+[.])+[a-zA-Z]{2,6}( .*)?([.<.].*[.>.])?$' address_in_with_text
, str REGEXP '^([.<.].*[.>.])?(https?[.:.][./.]{2})?([a-zA-Z0-9]+[.])+[a-zA-Z]{2,6}([.<.].*[.>.])?$' address_in_tag
, str REGEXP '^.*([a-zA-Z0-9]+[.])+[a-zA-Z]{2,6}.*$' address_in
, str REGEXP '^.*(https?[.:.][./.]{2}).*' http_in
, str REGEXP '^([.<.].*[.>.]).*$' tag_at_begin
, str REGEXP '^.*([.<.].*[.>.])$' tag_at_end
FROM strings;

示例测试数据: 创建表字符串( str varchar(255) 不为空 );

insert into strings values ('<a href="http://www.sfmta.com">text is okay</a>'),
('<a href="http://WWW.SFMTA.COM" title="Commercial">com</a>'),    
('text is okay'),    
('text is...okay'),    
('000.000.0000'),    
('text is okay com'),    
('text is bad HTTP://WWW.SFMUNI.COM'),    
('<a href="http://www.sfmta.com">http://www.sfmuni.com</a>'),    
('<a href="http://www.sfmta.com">www.sfmuni.com</a>'),    
('<a href="http://www.sfmta.com">sfmuni.com</a>'),    
('text is bad www.sfmuni.com'),    
('text is bad sfmuni.com'),
('text is bad https://www.sfmuni.com'),   
('<a href="http://WWW.SFMTA.COM" title="Commercial">https://com</a>')   
;

输出:

|                                                               str | address_in_with_text | address_in_tag | address_in | http_in | tag_at_begin | tag_at_end |
|-------------------------------------------------------------------|----------------------|----------------|------------|---------|--------------|------------|
|                   <a href="http://www.sfmta.com">text is okay</a> |                    0 |              0 |          1 |       1 |            1 |          1 |
|         <a href="http://WWW.SFMTA.COM" title="Commercial">com</a> |                    0 |              0 |          1 |       1 |            1 |          1 |
|                                                      text is okay |                    0 |              0 |          0 |       0 |            0 |          0 |
|                                                    text is...okay |                    0 |              0 |          0 |       0 |            0 |          0 |
|                                                      000.000.0000 |                    0 |              0 |          0 |       0 |            0 |          0 |
|                                                  text is okay com |                    0 |              0 |          0 |       0 |            0 |          0 |
|                                 text is bad HTTP://WWW.SFMUNI.COM |                    1 |              0 |          1 |       1 |            0 |          0 |
|          <a href="http://www.sfmta.com">http://www.sfmuni.com</a> |                    1 |              1 |          1 |       1 |            1 |          1 |
|                 <a href="http://www.sfmta.com">www.sfmuni.com</a> |                    1 |              1 |          1 |       1 |            1 |          1 |
|                     <a href="http://www.sfmta.com">sfmuni.com</a> |                    1 |              1 |          1 |       1 |            1 |          1 |
|                                        text is bad www.sfmuni.com |                    1 |              0 |          1 |       0 |            0 |          0 |
|                                            text is bad sfmuni.com |                    1 |              0 |          1 |       0 |            0 |          0 |
|                                text is bad https://www.sfmuni.com |                    1 |              0 |          1 |       1 |            0 |          0 |
| <a href="http://WWW.SFMTA.COM" title="Commercial">https://com</a> |                    0 |              0 |          1 |       1 |            1 |          1 |