Question

我认为这与类似的问题有很大的不同，需要保证一个新问题。

我有以下正则表达式来匹配HTML中的开始超链接标记，包括http（s）：//部分以避免mailto：links

<a[^>]*?href=[""'](?<href>\\b(https?)://[^\[\]""]+?)[""'][^>]*?>

当我通过Nregex运行时（删除了转义），它在以下测试用例中正确匹配：

<a href="http://www.bbc.co.uk">

<a href="http://bbc.co.uk">

<a href="https://www.bbc.co.uk">

<a href="mailto:rory@domain.com">

然而，当我在我的C＃代码中运行它时，它失败了。这是匹配的代码：

public static IEnumerable<string> GetUrls(this string input, string matchPattern)
    {
        var matches = Regex.Matches(input, matchPattern, RegexOptions.Compiled | RegexOptions.IgnoreCase);
        foreach (Match match in matches)
        {
            yield return match.Groups["href"].Value;
        }
    }

我的测试：

@"<a href=""https://www.bbc.co.uk"">bbc</a>".GetUrls(StringExtensions.HtmlUrlRegexPattern).Count().ShouldEqual(1);

@"<a href=""mailto:rory@domain.com"">bbc</a>".GetUrls(StringExtensions.HtmlUrlRegexPattern).Count().ShouldEqual(0);

问题似乎出现在我添加的\\b(https?)://部分，删除它会通过正常的URL测试，但无法通过mailto：test。

是谁放弃了任何光明？

Answer 1

你是在写这样的正则表达式吗？

@"<a[^>]*?href=[""'](?<href>\\b(https?)://[^\[\]""]+?)[""'][^>]*?>"

如果是这样，词边界中的反斜杠太多了。因为它是一个逐字的字符串文字，所以正则表达式编译器看到两个反斜杠就像你写的一样，所以它认为你正在寻找文字序列\b。

但无论如何你不需要在那里使用单词边界。您已经指定协议必须紧接在单引号或双引号之前，因此不能以单词字符开头。

Answer 2

问题是你的正则表达式实际上是在匹配像<a href="\bhttps://...这样的东西。如果删除\\b（这是不必要的），它应该可以工作。请改用：

<a[^>]*?href=[""'](?<href>(https?)://[^\[\]""]+?)[""'][^>]*?>

Answer 3

作为一般建议，在处理正则表达式时，您需要将它们分解为组成部分并使每个部分正常工作。然后，您可以专注于将它们组合在一起以匹配您的输入。有时这很难做到 - 特别是涉及引用或前瞻的复杂表达式，但是你的情况很简单，你应该能够将表达式分解为单独工作的部分。

我认为这应该有效：

@"(https?):[/][/][^\[\]""]+?)[""'][^>]*?"

您不需要在正则表达式中转义/符号，但将它们包装在[ ]组选择器中也没有什么坏处。

超链接正则表达式包括http（s）：//无法在C＃中工作

3 个答案: