RegEx - HTML 中的网络钓鱼尝试

Question

我需要你的帮助:(
我想要什么：
如果 url.text AND url.href 都包含不相等的 URL（没有协议和子域），则匹配字符串。

它应该像这样工作：

<a href="http://www.test1.net/dir1/index.html" target="_blank">test1.net/admin</a> <-- NOT MATCH
<a href="https://test2.com">THIS SITE</a> <-- NOT MATCH
<a href="https://subdomain.test3.org">test2.org</a> <-- MATCH
<a href="http://www2.test4.com" target="_blank">https://global.test4.com/index.html</a> <-- NOT MATCH
<a href="http://eu.test5.com">https://evil.com/eu.test5.com/</a> <-- MATCH
<a href="http://eu.site6.com/index.html" target="_blank">https: // eu. evil. com</a> <-- MATCH
<a href="https://site7.com/">http://www.site7.com/123/test</a> <-- NOT MATCH

我开始写类似this 的东西，但是我的代码做相反的事情时遇到了问题。
帮我弄清楚如何制作我想要的东西。

Answer 1

您的原始表达设计得非常好，但我会使用一些语句，例如：

(?!.*\1.*)

或：

(?!((?:https?:\/\/)?(?:w{3}\.)?(?:[^"\/]*\.)?(\1)).*)

内，绕过url.text中的同一个域，可能有一些类似于：

(?i)<a\s+href="(?:https?:\/\/)?(?:w{3}\.)?(?:[^"\/]*\.)?([a-z0-9_-]+\.[a-z0-9_-]{2,6})(\/[^"]*)?"[^>]*>(?!.*\1.*)(?:https?:\/\/)?(?:w{3}\.)?(?:[^"\/]*\.)?([a-z0-9_-]+\.[a-z0-9_-]{2,6})(\/[^"]*)?.*?<\/a>

或者更准确地说：

(?i)<a\s+href="(?:https?:\/\/)?(?:w{3}\.)?(?:[^"\/]*\.)?([a-z0-9_-]+\.[a-z0-9_-]{2,6})(\/[^"]*)?"[^>]*>(?!((?:https?:\/\/)?(?:w{3}\.)?(?:[^"\/]*\.)?(\1)).*)(?:https?:\s*\/\/\s*)?(?:\s*w{3}\.\s*)?(?:[^"\/]*\.\s*)?([a-z0-9_-]+\s*\.\s*[a-z0-9_-]{2,6}\s*)(\/[^"]*)?.*?<\/a>

您最有可能想要修改并更改边界。例如，您可以添加\s* 任何您想要允许一些空格的地方，或者可以使用双界量词\s{0,5}。

Demo

---

如果您希望简化/修改/探索表达式，在regex101.com 的右上角面板中已对此进行了说明。如果您愿意，您还可以在this link 中观看它如何与一些示例输入匹配。

---