Python 正则表达式从 html 内容中的 <a> 标记获取非 http(s) url

Question

我正在尝试从锚标记中获取非 http(s) url。如果找到这样的 url，我需要匹配整个锚标记。

示例：

这应该匹配：<a href="example.com/index.html"> bla</a>

这不应该匹配：<a href="https://www.google.com/">bla2 </a>

到目前为止，我已经能够构建这个正则表达式：

(\<a[\s\S]*?)(?<=href)(?:(=[\"\'])|(=))(?!(http[s]?)|(ww[w]?)|(#)|(\/\/))
(?P<url>[\S]*?)(?=([\"\'])|(\s))([\s\S]*?\>)

但这给了我一个匹配，即使是 HTTP。

使用这个正则表达式：(?<=href=[\"\'])(?!(http[s]?)|(ww[w]?))(?P<url>[\S]+)(?=[\"\']) 我只能获取非 http url，但我也需要匹配 <a> 标记的全部内容。

任何建议都会很棒。如果这可以进一步改进，我很高兴。 PS：我不能用beautifulsoup。所以请为我的问题建议一个更好的正则表达式。

Answer 1

这可能有效：

(<a[^>]*href=[\"\'](?!http|ww)(?:\S+)[\"\'][^>]*>)

这将匹配<a href="example.com/index.html">，如果您需要直到</a> 之前的所有内容，然后添加例如.*?</\s*a> 在右括号之前。

说明

• (?!http|ww)：负前瞻，实际上https? 在这里是不必要的，因为(?!http) 已经匹配http 和https（ww 和www 相同）
• (?:\S+)：网址。这可以改进，因为 URL 中不允许使用许多符号，但目前就足够了。
• [^>]* a 可能包含其他内容。