正则表达式匹配没有特定属性的 <a> html 标记

Question

在 Java 中，我需要在没有 href 属性的字符串中匹配 <a> 标记。例如在以下字符串中：

text <a class="aClass" href="#">link1</a> text <a class="aClass" target="_blank">link2</a> text

它不应该匹配<a class="aClass" href="#">link1</a>（因为它包含href）但它应该匹配<a class="aClass" target="_blank">link2</a>（因为它不包含href）。

我设法构建了正则表达式来匹配我的标签：

<a[^>]*>(.*?)</a>

但我不知道如何用 href 消除标签

（我知道我可以使用 HTML 解析器等，但我需要使用正则表达式。

Answer 1

说明

小心使用像<a[^>]* 这样的正则表达式，因为它们也会匹配以a 开头的其他有效html 标记，例如<abbr> 或<address>。同样简单地寻找字符串 href 的存在是不够的，因为该字符串可能在另一个属性的值内，例如 <a class="thishrefstuff"...，或者是另一个属性的一部分，例如 <a hreflang="en"...

这个表达式将：

• 匹配所有不包含href属性的锚标记<a...</a>。
• 它将强制标记名称为a，而不是仅以字母a 开头的标记，例如<address>
• 忽略在属性名称中也嵌入了子字符串href 的属性，例如有效的hreflang='en' 或组成的Attributehref="some value"。
• 忽略所有格式正确的属性的值部分内的所有字符，例如bogus='href=""'

<a(?=\s|>)(?!(?:[^>=]|=(['"])(?:(?!\1).)*\1)*?\shref=['"])[^>]*>.*?<\/a>

展开

• <a(?=\s|>) 匹配打开的标签，并确保标签名称之后的下一个是空格或右括号，这会强制名称为 a 而不是别的东西
• (?! 开始否定前瞻 如果我们在这个标签中找到一个 href 那么这种类型的标签不是我们正在寻找的标签
  • (?:启动非捕获组遍历标签内的所有字符
  • [^>=] 匹配所有非标签结束字符，防止正则表达式引擎离开标签，非等号防止引擎继续盲目匹配所有字符
  • | 或
  • =(['"]) 匹配一个等号，后跟一个开放的双引号或单引号。引用被捕获到第 2 组，以便以后可以正确配对
  • (?:(?!\1).)* 匹配所有不匹配开引号的闭引号的字符
  • \1 匹配正确的右引号
  • )*? 关闭非捕获组并根据需要重复直到
  • \shref=['"] 匹配所需的 href 属性。 \s 和 =["'] 确保属性名称只是 href
  • ) 关闭负前瞻
• [^>]*>.*?<\/a> 匹配从打开到关闭的整个字符串

Java 代码示例：

输入文字

<abbr>RADIO</abbr> text <a class="aClass" href="#">link1</a> text <a bogus='href=""' class="aClass" target="_blank">link2</a> text

代码

如果您希望在替换函数中使用它来删除非 href-anchor 标记，那么只需将所有匹配项替换为空。

import java.util.regex.Pattern;
import java.util.regex.Matcher;
class Module1{
  public static void main(String[] asd){
  String sourcestring = "source string to match with pattern";
  Pattern re = Pattern.compile("<a(?=\\s|>)(?!(?:[^>=]|=(['\"])(?:(?!\\1).)*\\1)*?\\shref=['\"])[^>]*>.*?<\\/a>
",Pattern.CASE_INSENSITIVE | Pattern.MULTILINE | Pattern.DOTALL);
  Matcher m = re.matcher(sourcestring);
  int mIdx = 0;
    while (m.find()){
      for( int groupIdx = 0; groupIdx < m.groupCount()+1; groupIdx++ ){
        System.out.println( "[" + mIdx + "][" + groupIdx + "] = " + m.group(groupIdx));
      }
      mIdx++;
    }
  }
}

匹配项

$matches Array:
(
    [0] => Array
        (
            [0] => <a bogus='href=""' class="aClass" target="_blank">link2</a>
        )

    [1] => Array
        (
            [0] => 
        )

)

Answer 2

我不是 java 专家，但您可以尝试以下方法：

String regex = new String("(?i)<a(?>[^h>]++|(?<! )h++|h++(?!ref\\s*+=))*>((?>[^<]++|<(?!/a>))*)</a>");
String replacement = new String("$1");
str.replaceAll(regex,replacement);

Answer 3

您有一个选择是首先匹配 all 标记，然后使用正则表达式匹配具有的标记，以便您可以忽略它们。所以你的伪代码看起来像：

<a>tags = html.find(all<a>tags);
for(String <a>tag : <a>tags){
    if(<a>tag.isHref()) continue;
    //do proccessing
}

Answer 4

我觉得你会需要用正则表达式来做这件事很奇怪，但你可以使用否定的前瞻。

<a(?![^>]+href).*?>(.*?)</a>