Question

我想创建一个匹配包含href属性的开始<a>标记的正则表达式：

<a href="doesntmatter.com">

它应匹配上述内容，但在添加其他属性时不匹配：

<a href="doesntmatter.com" onmouseover="alert('Do something evil with Javascript')">

通常情况下这很简单，但HTML是经过编码的。所以编码上面的两个，我需要正则表达式来匹配这个：

&#60;a href&#61;&#34;doesntmatter.com&#34; &#62;

但不符合这个：

&#60;a href&#61;&#34;doesntmatter.com&#34; onmouseover&#61;&#34;alert&#40;&#39;do something evil with javascript.&#39;&#41;&#34; &#62;

假设所有编码的HTML都是“有效的”（没有奇怪的格式错误的XSS技巧），并假设我们不需要遵循任何HTML清理最佳实践。我只需要与A）相匹配的最简单的正则表达式而不是B）。

谢谢！

Answer 1

首先想到的正则表达式为/<a href=".*?">/;惰性表达式（.*?）可用于匹配引号之间的字符串。但是，正如评论中所指出的那样，因为正则表达式由＆gt;锚定，所以它也会匹配无效标记，因为仍然会进行匹配。

为了解决此问题，您可以使用atomic grouping。原子分组告诉正则表达式引擎，“一旦你找到了这个组的匹配，接受它” - 这将解决正则表达式返回的问题，并在找不到＆gt;后匹配第二个字符串。一个href的结尾。具有原子组的正则表达式如下所示：

/<a (?>href=".*?")>/

使用HTML实体替换字符时，如下所示：

/&#60;a (?>href&#61;&#34;.*?&#34;)&#62;/

Answer 2

喂！我最近不得不做类似的事情。我建议首先解码html然后尝试获取你想要的信息。这是我在C＃中的解决方案：

private string getAnchor(string data)
    {
        MatchCollection matches;
        string pattern = @"<a.*?href=[""'](?<href>.*?)[""'].*?>(?<text>.*?)</a>";
        Regex myRegex = new Regex(pattern, RegexOptions.Multiline);
        string anchor = "";

        matches = myRegex.Matches(data);

        foreach (Match match in matches)
        {
            anchor += match.Groups["href"].Value.Trim() + "," + match.Groups["text"].Value.Trim();
        }

        return anchor;
    }

我希望有所帮助！

Answer 3

我不知道一个人与另一个人有什么不同？你只是在寻找你刚才所写的内容，使doesntmatter.com部分成为你捕获的部分。我想匹配任何内容，直到"（不是"？）会出现问题，但你在正则表达式中这样做：

(?:(?!").)*

它实质上意味着：

将以下组匹配0次或更多次
- 如果以下字符串为"""
- 匹配任何字符（新行除外，除非指定DOTALL）

完整的正则表达式为：

/&#60;a href&#61;&#34;(?>(?:[^&]+|(?!&#34;).)*)&#34;&#62;/s

这比使用非贪婪表达更有效。

感谢Daniel Vandersluis提醒我the atomic group！为了优化，它非常适合这种情况（如果必须回溯，这种模式永远不会匹配。）

我还投入了一个额外的[^&]+组，以避免重复多次负面预测。

或者，可以使用possessive quantifier，它基本上做同样的事情（你的正则表达式引擎可能不支持它）：

/&#60;a href&#61;&#34;(?:[^&]+|(?!&#34;).)*+&#34;&#62;/s

正如您所看到的那样稍微更短。

编码HTML的正则表达式

3 个答案: