正则表达式之匹配超链接介绍

亦凉 2022-06-05 00:45 108阅读 0赞

在[正则表达式知识详解之实战 读取网页中超链接 (java版示例)][_ _java]中，有个匹配超链接的正则为`<[Aa]\\s+(.*?\\s+)*?href\\s*=\\s*([\"']).+?\\2\\s*(\\s+.*?\\s*)*?>.+?</[Aa]>`,这篇文件主要介绍该正则是如何一步一步写出来的。

# 上面正则表达式组合过程 #

**1、匹配最简单的`<a></a>`空的标签，由于a可以大写，所以又下面几种情况**

1.  字符串`<a></a>`，前后都小写，正则为`<a></a>`。
2.  字符串`<a></A>`，前小写，后大写，正则为`<a></A>`。
3.  字符串`<A></A>`，前后都大写，正则为`<A></A>`。
4.  字符串`<A></a>`，前大写，后小写，正则为`<A></a>`。

即，超链接前面可能是`<A>`或`<a>`,后面可能是`</A>`或`</a>`，把上面4种合起来的正则即为`<[Aa]></[Aa]>`。  
当然，如果你确定超链接使用的小写或大写，简单点，把`[Aa]`换成`a`或`A`即可。

**2、超链接里总归会有点内容的，如中文、英文、空格等等，`<a>我是超链接</a>`。**  
在前面的基础上继续完善：

1.  由于超链接的内容可以为任意东西，所以我们方便点，直接用英文句号点`.`来表示。
2.  内容长度不固定，但至少你得有一个字符吧，所以需要一次或多次，即，用`+`来限定长度。
3.  一个页面超链接会有很多，如`<a>超链接1</a><a>超链接2</a>`，肯定要作为两个超链接，不能当成一个超链接，把`超链接1</a><a>超链接2`作为内容吧。所以要用`?`限定为非贪婪模式。

综上，得出内容的正则为`.+?`，与步骤1合并，即：`<[Aa]>.+?</[Aa]>`

**3、超链接至少要有个`href`属性吧，现在给`a`标签加个`href`属性。**  
为了方便，`href`属性的内容我们不细致匹配，直接用`.+?`，这里`?`可以不加的，一般把`+`、`*`这种次数不固定的限制为非贪婪模式不容易出错，除非需要贪婪模式或确定不会导致贪婪匹配。

字符串内容(为了方便我直接用小写的a标签)：  
`<a href= 'http://blog.csdn.net/gnail_oug'>链接1</a><a href ="javascript:void(0);">链接2</a>`

1.  根据上面我们知道`http://blog.csdn.net/gnail_oug`和`javascript:void(0);`都可以用`.+?`来匹配。
2.  a标签href属性之间至少要有一个空格，所以`\s+`来表示。
3.  href属性面`=`两边可以没空格也可以有空格，所以用`\s*`，至此完整正则表达式为(假设只用单引号)`<[Aa]\s+href\s*=\s*'.+?'>.+?</[Aa]>`。
4.  由于html中引号可用单引号也可用双引号，所以正则要换成`<[Aa]\s+href\s*=\s*['"].+?['"]>.+?</[Aa]>`。
5.  正常情况下，步骤4用`["']`是没问题的。一般情况下前面用单引号后面也会用单引号，前面双引号后面也是双引号，即成对出现。严谨起见，我们排除`href='aa"`这种前后引号不一致的情况。  
    这就用到了[回溯引用][Link 1]。`\`加数字表示引用当前正则里第几个表达式。  
    所以正则表达式变为：`<[Aa]\s+href\s*=\s*(['"]).+?\1>.+?</[Aa]>`

**4、其他属性**  
超链接除了href属性，有时还会有title等其他属性，这些属性有可能在href属性前，有可能在href属性后。  
这里我们不知道有没有其他属性，也不需要知道是什么属性，值是多少，所以我直接用`.*?`，`?`表示非贪婪模式。  
如果在href属性前，那么其他属性和href中间至少要有个空格，如果在href属性后，那么其他属性前和href值中间至少要有一个空格，其他属性后可有空格，也可没有直接是`>`。  
因此，正则完善成：`<[Aa]\s+(.*?\s+)*?href\s*=\s*(['"]).+?\2(\s+.*?\s*)*?>.+?</[Aa]>`  
注意，这里`\1`变成了`\2`，因为前面的分组`(.*?\s+)*?`占用了序号1。

**5、转义**  
至此，相对比较完善的超链接正则已经完成，由于java里面`\`需要转义，所以使用了两个斜线`\\`。

本文主要说明一个复杂的正则怎么从一个简单的正则演变的，里面涉及的有些知识点可以参考[正则分类][Link 2]。

[_ _java]: http://blog.csdn.net/gnail_oug/article/details/51302064
[Link 1]: http://blog.csdn.net/gnail_oug/article/details/51276516
[Link 2]: http://blog.csdn.net/gnail_oug/article/category/6204333