我需要一个正则表达式来查找不在任何 html 标记或任何 html 标记的属性值内的 url答案

【问题标题】：I need a regex to find a url which is not inside any html tag or an attribute value of any html tag我需要一个正则表达式来查找不在任何 html 标记或任何 html 标记的属性值内的 url
【发布时间】：2013-06-06 22:55:30
【问题描述】：

我在以下文本中有 html 内容。

    "This is my text to be parsed which contains url 
    http://someurl.com?param1=foo&params2=bar 
 <a href="http://thisshouldnotbetampered.com">
    some text and a url http://someotherurl.com test 1q2w
 </a> <img src="http://someasseturl.com/abc.jpeg"/>
    <span>i have a link too http://someurlinsidespan.com?xyz=abc </span> 
    "

需要一个将普通网址转换为超链接的正则表达式（不篡改现有的超链接）

预期结果：

    "This is my text to be parsed which contains url 
    <a href="http://someurl.com?param1=foo&params2=bar">
http://someurl.com?param1=foo&params2=bar</a> 
 <a href="http://thisshouldnotbetampered.com">
    some text and a url http://someotherurl.com test 
1q2w </a> <img src="http://someasseturl.com/abc.jpeg"/>
    <span>i have a link too <a href="http://someurlinsidespan.com?xyz=abc">http://someurlinsidespan.com?xyz=abc</a> </span> "

【问题讨论】：

正则表达式可能不是这项工作的正确工具。考虑替代方案：nokogiri.org
我不知道 Ruby 的正则表达式实现，但在 www.regex101.com 中可以正常工作。只要您知道可能输入的结构，正则表达式就可以了。

标签： ruby regex ruby-on-rails-3 rubular

【解决方案1】：

_{免责声明：您不应使用正则表达式来完成此任务，而应使用 html 解析器。这是一个POC，以证明如果您期望一个格式良好的 HTML（无论如何您都不会拥有），这是可能的。}

这就是我想出的：
(https?:\/\/(?:w{1,3}.)?[^\s]*?(?:\.[a-z]+)+)(?![^<]*?(?:<\/\w+>|\/?>))

这是什么意思？

(：第一组
https? ：匹配 http 或 https
\/\/ ：匹配 //
(?:w{1,3}.)? ：可选匹配 w.、ww. 或 www.
[^\s]*? ：匹配除空格以外的任何内容零次或多次不贪婪
(?:\.[a-z]+)+) ：匹配一个点后跟 [a-z] 字符，重复一次或多次
(?!：负前瞻
- [^<]*? ：匹配除 < 之外的任何内容零次或多次不贪婪
- (?:<\/\w+>|\/?>) ：匹配结束标签或 /> 或 >
- ) : 前瞻结束
) : 第 1 组结束

regex101 online demo rubular online demo

【讨论】：

好的。我的错。答案有效，但不适用于真实场景所以让我直截了当地说。我想让文本中的所有 url 成为超链接。（正则表达式不应篡改现有的超链接）。上面的正则表达式也没有捕获 url 参数。
@krunalshah 我倾向于为现有问题提供答案。你没有提到任何你想匹配 url 参数的地方，甚至在你的例子中也没有。那么在您的实际场景中什么不起作用？

【解决方案2】：

也许您可以先进行搜索和替换以删除 HTML 元素。我不了解 Ruby，但正则表达式类似于 /<(\w+).*?>.*?</\1>/。但是，如果您有相同类型的嵌套元素，这可能会很棘手。

【讨论】：

+1 用于删除标签，但如果您想使用正则表达式，该表达式可能会更好。例如，它不会删除图像标签，或者会删除整个段落 (<p>i want http://this.url</p>)。我建议像</?\w+[^>]*> 这样简单的东西。
我不同意你对这个问题的解释，但这是一个有争议的问题，因为问题现在已经改变了。

【解决方案3】：

也许尝试http://rubular.com/ .. 有一些Regex 提示可以帮助您获得所需的输出。

【讨论】：

【解决方案4】：

我会这样做：

require 'nokogiri'

doc = Nokogiri::HTML.fragment <<EOF
This is my text to be parsed which contains url 
http://someurl.com  <a href="http://thisshouldnotbetampered.com">
some text and a url http://someotherurl.com test 1q2w </a> <img src="http://someasseturl.com/abc.jpeg"/>
EOF

doc.search('*').each{|n| n.replace "\n"}

URI.extract doc.text
#=> ["http://someurl.com"]

【讨论】：