Défi Regex: Exprime la phrase uniquement si l'extérieur d'un <a href> tag

Question

I am working on improving our glossary functionality in a custom CMS that is running with classic ASP (ASP 3.0) on IIS with VBScript code. I am stumped on a regex challenge I cannot solve.

Here is the current code:

 If InStr(ART_ArticleBody, "href") = False then 
    sql="SELECT URL, Term, RegX FROM GLOSSARYDB;" 
    Set rsGlossary = Server.CreateObject("ADODB.Recordset") 
    rsGlossary.open sql, strSQLConn 
    Set RegExObject = New RegExp 
     While Not rsGlossary.EOF 
     URL = rsGlossary("URL") 
     Phrase = rsGlossary("RegX") 
     With RegExObject 
    .Pattern = Phrase 
    .IgnoreCase = true 
    .Global = false 
     End With 
     set expressionmatch = RegExObject.Execute(ART_ArticleBody) 
     if expressionmatch.count > 0 then 
     For Each expressionmatched in expressionmatch 
     RegExObject.Pattern = Phrase 
     URL = "<a href=" & URL & ">"& expressionmatched.Value & "</a>" 
    ART_ArticleBody = RegExObject.Replace(ART_ArticleBody, URL) 
     next 
     end if 
     rsGlossary.movenext 
     wend 
     rsGlossary.movefirst 
    Set RegExObject = nothing 
    end if 

Instead of skipping putting glossary links in any article that has an href in it, as the above code does, I would like to change the code to process every article but have the RegEx pattern avoid matching on a glossary entry if the match is inside of an a tag.

For example, in italics below is a test example for this regex entry in my DB: ROI|return on investment|investment return

Here is a link that uses the glossary term: <a href="ROI.htm">Info on return on investment</a>. Now, here is the glossary term in plain text, not inside of a link: return on investment. We want to find the third instance of a match but not find the first two because they are both inside of a HTML link.

In the above text, if I were processing the article for the glossary entry "ROI|return on investment|investment return" I do not want to match on the first or second occurance that match because they are in an a tag. I need the regex pattern to skip over those matches and just match on any that are not inside of an a tag.

Any help on this would be greatly appreciated.

Answer 1

Essayez cette regex:

<a\b[^<>]*>[\s\S]*?</a>|(ROI|return on investment|investment return) 

Cela correspond à un point d'ancrage HTML, ou l'un des termes que vous recherchez. Les termes sont capturés dans le groupe numéro 1. Donc, dans votre code VBScript, vérifiez si le premier groupe de capture correspond à quelque chose, et vous avez un de vos mots-clés à l'extérieur d'un tag> <.

Cette regex ne fonctionnera en effet pas correctement si vous avez imbriqué des balises a> <. Cela ne devrait pas poser de problème, car les ancres ne sont normalement pas imbriquées les unes dans les autres. Si c'est un problème, vous ne pouvez pas le résoudre avec des expressions régulières VBScript/JavaScript. La regex ne fonctionnera pas non plus correctement si vous avez des tags> < qui manquent leurs tags de fermeture. Si vous voulez prendre cela en compte, essayez cette regex:

<a\b[^<>]*>(?:(?:(?!<a\b)[\s\S])*?</a>)?|(ROI|return on investment|investment return) 

Answer 2

You can't solve it because it can't be done, at least not with 100% reliability. HTML is not a "regular" language in the regular expression sense. Like the saying goes, when you have a hammer, everything starts to look like a nail. There are some things regular expressions aren't good at. This is one of them.

Most languages have some form of HTML parsing library as standard or easily obtained. Use those. That's what they were designed for.

Answer 3

In general, you can't use a regular expression to recognize arbitrarily nested constructs (such as bracket-delimited HTML tags). If you had solved this problem, there's be a lot of mathematicians lining up to hear about it. :)

Having said that, .NET does indeed offer an extension to regular expressions that permits what I just said was impossible, and--even better!--the sample chapter for the great "Mastering Regular Expressions" available here arrive à couvrir cette caractéristique.

Answer 4

Ce problème est, comme on dit, "non trivial" dans son état actuel. Toutefois, si vous pouvez modifier votre système pour une balise de sortie plus sémantique, il rendrait les choses beaucoup plus facile:

<a href="ROI.htm">undesired tag match</a> 
This is <span class="tag">a tag</span> 

Dans ce cas, vous pouvez simplement rechercher:

(?<=<span class=\"tag\">)(phrase1|phrase2|phrase3)(?=</span>) 

Ou quelque chose d'un peu plus robuste

(?<=<span class=\"tag\">).+?(?=</span>) 

de cette façon, vous pouvez facilement concentrer vos recherches aux données dans un <span> spécifique, et laisser tout le reste de côté.

Answer 5

(accounts receivable|A/R)(?!((?!</?a\b).)*</a) 

(phrase1|phrase2|phrase3)(?!((?!</?a\b).)*</a) 

L'approche ci-dessus semble fonctionner, au moins dans mon logiciel RegexBuddy. Je n'ai pas compris tout seul. Avait de l'aide d'un gourou. Il est temps de le tester dans mon code ASP. Merci à tous ceux qui ont contribué. Je suis sûr que je n'ai pas décrit suffisamment ce dont j'avais besoin pour que vous trouviez la solution ci-dessus. Mea culpa.