<a> 태그

Question

으로 래핑되지 않은 모든 URL을 매칭합니다. 'a'태그로 래핑되지 않는 HTML의 URL과 일치 할 수있는 정규 표현식 패턴을 찾으려면 'a'태그로 추가로 래핑하십시오. (강조되지 않은 모든 링크를 강조 표시합니다).

입력은 'a', 'b', 'i', 'br', 'p' 'img'태그가 허용되는 단순 HTML입니다. 다른 모든 HTML 태그는 입력에 나타나서는 안되지만 위에 언급 된 태그는 어떤 조합 으로든 나타날 수 있습니다.

그래서 패턴은 기존 'a'태그의 일부인 모든 URL을 생략하고 'a'태그로 래핑되지 않은 평범한 텍스트이며 따라서 강조 표시되지 않고 하이퍼 링크가 아닌 다른 모든 링크와 일치해야합니다. pattern이 http : //, https : // 또는 www.로 시작하고 .net, .com으로 끝나는 URL과 일치하면 좋을 것입니다. 또는 URL이 http : //, https : // 또는 www로 시작하지 않으면 .org.

나는 위에서 설명한 것보다 더 단순한 경우와 일치하도록 '(?! < [aA] [^>] +>) http://[a-zA-Z0-9._-]+ (?!)과 같은 것을 시도했지만이 작업은 그렇지 않은 것 같습니다. 분명한.

도움을 주셔서 감사합니다.

Answer 1

BeautifulSoup 또는 유사한 URL을 사용하여 이미 링크의 일부인 모든 URL을 제외 할 수 있습니다.

그러면 일반 텍스트를 이미 URL 정규 표현식 중 하나와 일치시킬 수 있습니다 (google "url regular expression", 원하는 것은 원하는대로 달라집니다).

Answer 2

정규 표현식에 상태가 없으므로 하나의 정규식을 사용하여 HTML을 구문 분석하는 것은 정의가 거의 불가능합니다.

대신 실제 파서를 작성/사용하십시오. 어쩌면 BeautifulSoup 또는 html5lib 일 수 있습니다.

이 코드는 아래 페이지에서 모든 링크를 추출 BeautifulSoup로를 사용

from BeautifulSoup import BeautifulSoup 
from urllib2 import urlopen 

url = 'http://stackoverflow.com/questions/1296778/' 
stream = urlopen(url) 
soup = BeautifulSoup(stream) 
for link in soup.findAll('a'): 
    if link.has_key('href'): 
     print unicode(link.string), '->', link['href'] 

는 마찬가지로 당신이 soup.findAll(text=True)을 사용하는 모든 텍스트를 찾아이 URL을 검색 할 수 있습니다.

URL을 검색하는 것은 매우 복잡합니다. URL에 허용 된 내용을 믿지 않아야합니다. 간단한 검색은 수천 가지 예제를 보여 주지만 정확히 어떤 것도 스펙과 일치하지 않습니다. 당신은 더 잘 작동하는 것을 시도해야합니다.

Answer 3

고마워요! 아래는 내 솔루션입니다.

from django.utils.html import urlize # Yes, I am using Django's urlize to do all dirty work :) 

def urlize_html(value): 
    """ 
    Urlizes text containing simple HTML tags. 
    """ 
    A_IMG_REGEX = r'(<[aA][^>]+>[^<]+</[aA]>|<[iI][mM][gG][^>]+>)' 
    a_img_re = re.compile(A_IMG_REGEX) 

    TAG_REGEX = r'(<[a-zA-Z]+[^>]+>|</[a-zA-Z]>)' 
    tag_re = re.compile(TAG_REGEX) 

    def process(s, p, f): 
     return "".join([c if p.match(c) else f(c) for c in p.split(s)]) 

    def process_urlize(s): 
     return process(s, tag_re, urlize) 

    return process(value, a_img_re, process_urlize)