如何跳过已经在锚标记中的域？答案

【问题标题】：How do I skip the domain that is already in an anchor tag?如何跳过已经在锚标记中的域？
【发布时间】：2013-09-06 01:20:03
【问题描述】：

下面的正则表达式found here 很好地匹配了下面的域，但我不希望它匹配已经在锚标记中的域（最后一个示例）请注意，这种匹配将检测这些情况文本的句子。

((?: http| https)://)?[.0-9a-z-]+\.[a-z]{2,6}(?::[0-9]{1,5}+)?(?:/[!$'()*+,._a-z-]++){0,9}(?:/[!$'()*+,._a-z-]*)?(?:\?[!$&'()*+,.=_a-z-]*)?

在句子或段落中匹配：

www.domain.com
domain.com
this.is.a.special.url.domain.com/hello 
http://domain.com
http://www.domain.com
http://www.domain.com/
http://www.domain.com/index.html
http://www.domain.com/index.html?source=library

但是，如何将正则表达式更改为与锚标记中已有的域不匹配？

<a href="http://www.usertesting.com">hello</a>

【问题讨论】：

不要使用正则表达式解析 HTML。使用适当的 HTML 解析模块。 您无法使用正则表达式可靠地解析 HTML，并且您将面临悲伤和挫败感。一旦 HTML 与您的期望发生变化，您的代码就会被破坏。请参阅htmlparsing.com/php 或this SO thread，了解如何使用已经编写、测试和调试过的 PHP 模块正确解析 HTML。
@AndyLester，谢谢，但我不解析 html，我正在跳过 html，只寻找非 html 网址。
我明白这一点，识别文件的哪一部分是标记，哪一部分是文本，确实是在解析 HTML。

标签： regex html-parsing

【解决方案1】：

您可以添加否定的lookbehind 以排除href=" 或href=' 之后的匹配项，如下所示：

(?<!href=["'])((?: http| https)://)?[.0-9a-z-]+\.[a-z]{2,6}(?::[0-9]{1,5}+)?(?:/[!$'()*+,._a-z-]++){0,9}(?:/[!$'()*+,._a-z-]*)?(?:\?[!$&'()*+,.=_a-z-]*)?

【讨论】：