Java正則表達式可啟用文本內的鏈接，但已包含的標記除外

Question

假設一個用戶輸入的文本包含HTML以及可能的鏈接，我想啟用鏈接，並完整地保存has_tag_closed網址。

（我知道有很多正則表達式網址模式問題，但我找不到此解決方案）

例如 ：

String urlRegex = "((https?|ftp|gopher|telnet|file):((//)|(\\\\))+[\\w\\d:#@%/;$()~_?\\+-=\\\\\\.&]*)";
Pattern urlPattern = Pattern.compile(urlRegex, Pattern.CASE_INSENSITIVE);

String s = ...
urlPattern.matcher(s).replaceAll("<a href='$0' target='_blank'>$0</a>")

可以將"google https://google.com"為google <a href='https://google.com' target='_blank'>https://google.com</a> ，很好。

但是如果字符串是

"<a href=\"http://www.google.com/\">google</a> " +
" http://www.google.com/  " +
" <a href=\"https://facebook.com/\">facebook</a> " +
" https://facebook.com ";

它將成為

<a href="<a href='http://www.google.com/' target='_blank'>http://www.google.com/</a>">google</a>  <a href='http://www.google.com/' target='_blank'>http://www.google.com/</a>   <a href="<a href='https://facebook.to/' target='_blank'>https://facebook.to/</a>">facebook</a>  <a href='https://facebook.com' target='_blank'>https://facebook.com</a> 

它不應該觸摸href值，因此我將urlRegex更改為：

urlRegexExceptAnchor = "(?<!\\<a\\ href=\")(http|https):\\/\\/[^ ]*"; 

好吧，它可以處理混合了錨標記的文本。

但是 ，如果文本包含iframe ，它將再次失敗：

<iframe src="https://www.facebook.com/plugins/post.php?href=https%3A%2F%2Fwww.facebook.com%2Fnytimes%2Fposts%2F10151112309519999&width=500" width="500" height="525" style="border:none;overflow:hidden" scrolling="no" frameborder="0" allowTransparency="true"></iframe>

變

<iframe src="<a href='https://www.facebook.com/plugins/post.php?href=https%3A%2F%2Fwww.facebook.com%2Fnytimes%2Fposts%2F10151112309519999&width=500"' target='_blank'>https://www.facebook.com/plugins/post.php?href=https%3A%2F%2Fwww.facebook.com%2Fnytimes%2Fposts%2F10151112309519999&width=500"</a> width="500" height="525" style="border:none;overflow:hidden" scrolling="no" frameborder="0" allowTransparency="true"></iframe>

再次無效。

我認為我將面臨越來越多的情況，因為有很多接受URL的標簽 。 我無法逃脫a或iframe代碼...

文本是由用戶輸入的，請確保我可以過濾掉一些無效的標簽，例如form ， head ， input ...，但是仍然有很多標簽需要處理...（甚至是內聯的CSS背景url）

我現在可以想到的是使用JSoup東西將整個文本傳輸到html doc，並一個接一個地處理textNode。 但是我認為這太過分了。 （每個頁面顯示都將調用JSoup ...）

有沒有更簡單的方法來實現這一目標？

Answer 1

對於任何面臨類似問題的人，這是我的JSoup解決方案：

  private static void processNode(Node node) {
    if (node instanceof TextNode) {

      Node parent = node.parent();
      if (parent != null && (StringUtils.equalsAnyIgnoreCase(parent.nodeName(),
        "a", "iframe", "embed" , "img" , "object" , "script" , "video" , "applet"))) {
        logger.debug("parent = {} , skipped", parent.nodeName());
      }
      else {
        TextNode textNode = (TextNode) node;

        String text = textNode.text();
        text = urlPattern.matcher(text).replaceAll("<a href='$0' target='_blank'>$0</a>");

        TextNode r = new TextNode(text , null);
        node.replaceWith(r);
      }
    } else if (node instanceof Element) {
      Element ele = (Element) node;
      for (Node childNode : ele.childNodes()) {
        processNode(childNode);
      }
    }
  }

運作良好...（目前）