Question

基于搜索的大量示例，我创建了一个正则表达式，我使用（作为后备）来解析来自HTML源的直接文件链接：

/((?:(?:https?%3A%2F%2F)(?:www\.)?(?:\S+)%2F|(?:https?:\/\/)(?:www\.)?(?:\S+)\/)(?:.*)?\.(mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg)(?=[^.]*$))/igm

我的问题是它在包含多个链接的行上失败。我知道使用正则表达式解析HTML即使作为后备也是不受欢迎的，我还能用什么来查找页面源中的所有直接文件链接？（这意味着隐藏在内联JavaScript，视频源代码等中的链接;而不仅仅是document.links返回的内容。）

如果没有更好的建议，有人可以帮我修复正则表达式来实现我想要的吗？

正则表达式应遵循以下准则：

返回第一组中的网址和第二组中的文件扩展名
查找已编码和已解码的网址
查找特定文件扩展名（即视频和音频）
容忍多级文件扩展名
容忍网址
允许任何域安全和非安全，有或没有“www”用于HTTP方案
查找所有网址，无论其在HTML源代码中的位置如何
与JavaScript兼容

应匹配的一些示例：

http://test.com/test.mkv
http://test.com/test/test.jpg.mkv
https://test.com/test.mkv?test=test
http%3A%2F%2Ftest.com%2Ftest.mkv%3Ftest%3Dtest
https%3A%2F%2Ftest.com%2Ftest.jpg.mkv%3Ftest%3Dtest.mkv
http://test.com/t est.mkv__some__random__string__http://test.com/test.mkv

最后一个示例应与两个网址匹配，但不是__some__random__string__。

不应匹配的一些示例：

http://test.com/test.mkv.jpg
http://test.com/test.mkv/test.jpg
https://test.com/test.mkv.jpg?test=test.mkv
http%3A%2F%2Ftest.com%2Ftest.mkv.jpg
https%3A%2F%2Ftest.com%2Ftest.mkv.jpg%3Ftest%3Dtest.mkv
http://test.com/t est.mkv__some__random__string__http://test.com/test.mkv.jpg

最后一个示例应仅匹配__some__random__string__之前的第一个网址。

你可以使用正则表达式和一些部分失败的HTML源代码示例：http://regexr.com/3dbac

Answer 1

好吧，如果我们只考虑您在此处提供的示例，您可以利用tempered greedy token（TGT）来取消您需要匹配的扩展程序：

awk '/pattern/{print FILENAME; cnt++; nextfile} END{print cnt+0}' $(find D:/Temp -type f -name "file.txt")

请参阅regex demo

模式细分：

nextfile

/((?:https?(?:%3A%2F%2F|:\/\/))(?:www\.)?(?:\S+)(?:%2F|\/)(?:(?!\.(?:mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))[^\/])*\.(mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))(?!\/|\.[a-z]{1,3})/ TGT匹配( # Group 1 matching the whole URL (?:https?(?:%3A%2F%2F|:\/\/))(?:www\.)?(?:\S+)(?:%2F|\/) # Matching URL part with no spaces up to the last / (?:(?!\.(?:mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))[^\/])* # TGT matching up to the extension \.(mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg) # The extension ) (?!\/|\.[a-z]{1,3}) # Only if not followed with /, or another extension以外的任何字符，该字符不是(?:(?!\.(?:mp4|mkv|wmv|m4v|mov|avi|flv|webm|flac|mka|m4a|aac|ogg))[^\/])*，/等文字字符序列的第一个字符（作为否定前瞻）如果匹配的模式匹配字符串中当前位置右侧的文本，则匹配失败。

正则表达式：我还应该用其他东西来实现我想要的东西吗？

1 个答案: