Expression régulière pour trouver les URL ne se trouvant pas dans un lien hypertexte

Question

Il y a beaucoup de regex pour faire correspondre une URL. Cependant, j'essaye de faire correspondre des URL qui n'apparaissent nulle part dans une étiquette d'hyperlien <a> (HREF, valeur interne, etc.). Donc, aucun des URL dans ceux-ci devraient correspondre:

 
<a href="http://www.example.com/">something</a> 
<a href="http://www.example.com/">http://www.example2.com</a> 
<a href="http://www.example.com/"><b>something</b>http://www.example.com/<span>test</span></a> 

Toute URL de l'extérieur <a></a> doit être adapté.

Une approche que j'ai essayé était d'utiliser un négatif pour voir préanalyse si la première balise <a> après l'URL est une ouverture <a> ou une fermeture </a>. Si c'est une fermeture </a> alors l'URL doit être dans un lien hypertexte. Je pense que cette idée était correcte, mais l'expression rationnelle negative n'a pas fonctionné (ou plus exactement, l'expression régulière n'a pas été écrite correctement). Tous les conseils sont très appréciés.

Answer 1

Vous pouvez le faire en deux étapes au lieu d'essayer de trouver une seule expression régulière:

1. Blend out (remplacer par rien), la pièce d'ancrage HTML (toute balise d'ancrage: balise d'ouverture, contenu et balise de fermeture).

2. match l'URL

En Perl il pourrait être:

my $curLine = $_; #Do not change $_ if it is needed for something else. 
$curLine =~ /<a[^<]+<\/a>//g; #Remove all of HTML anchor tag, "<a", "</a>" and everything in between. 
if ($curLine =~ /http:\/\//) 
{ 
    print "Matched an URL outside a HTML anchor !: $_\n"; 
} 

Answer 2

Vous pouvez le faire en utilisant une seule expression régulière qui correspond à la fois les balises d'ancrage et hyperliens:

# Note that this is a dummy, you'll need a more sophisticated URL regex 
regex = '(<a[^>]+>)|(http://.*)' 

Puis bouclez sur les résultats et seulement les correspondances de processus où le deuxième sous-modèle a été trouvé.

Answer 3

Peter a une excellente réponse: tout d'abord, retirez les ancres de sorte que

Some text <a href="http://page.net">TeXt</a> and some more text with link http://a.net 

est remplacé par

Some text and some more text with link http://a.net 

et passons ensuite une expression rationnelle qui trouve urls:

http://a.net 

Answer 4

Utilisez les DOM pour filtrer les éléments d'ancrage, puis faire une simple regex d'URL sur le reste.