用于编码HTML的正则表达式

我想创建一个正则表达式，该正则表达式将匹配只包含href属性的开头

标记：

<a href="doesntmatter.com">

但与此不符：

<a href="doesntmatter.com" >

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

假设所有编码的HTML都是“有效的”（没有奇怪的畸形XSS欺骗），并且假设我们不需要遵循任何HTML净化最佳实践。我只需要最简单的正则表达式，它将匹配上面的A）而不是B）

---

谢谢

首先想到的正则表达式是

/。原子分组告诉正则表达式引擎，“一旦找到该组的匹配项，就接受它”——这将解决正则表达式在未在href末尾找到a>a后返回并匹配第二个字符串的问题。带有原子组的正则表达式如下所示：

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

我看不出两者有什么不同？你只是在寻找你刚刚写的东西，把
doesntmatter.com
部分变成你所捕获的部分。我猜在
"（不是
“
？）可能会出现问题，但在正则表达式中是这样做的：

（？：（？！&34；）*

它基本上意味着：


匹配以下组0次或更多次

如果以下字符串为
”"，则匹配失败；“
匹配任何字符（新行除外，除非指定了DOTALL）


完整的正则表达式是：

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

这比使用非贪婪表达式更有效

感谢Daniel Vandersluis提醒我！为了优化，它非常适合这里（如果必须回溯，则此模式永远无法匹配）

我还加入了一个额外的
[^&]+
组，以避免多次重复负面展望

或者，您也可以使用，它基本上做相同的事情（您的正则表达式引擎可能不支持它）：

正如你所看到的，它稍微短了一点。
嘿！我最近也做了类似的事情。我建议先解码html，然后尝试获取你想要的信息。以下是我的C#解决方案：

私有字符串getAnchor（字符串数据）
{
匹配集合匹配；
字符串模式=@“”；
Regex myRegex=新的Regex（模式，RegexOptions.Multiline）；
弦锚=”；
matches=myRegex.matches（数据）；
foreach（匹配中的匹配）
{
锚定+=match.Groups[“href”].Value.Trim（）+，“+match.Groups[“text”].Value.Trim（）；
}
回锚；
}

我希望这会有帮助！
但是如果我错了，请纠正我：当您使用。*时，即使您使用。*？使其不贪婪，它将捕获所有内容，直到onmouseover属性中的最后一个引号，匹配这两个表达式。这正是我遇到的问题！您是对的；因为表达式末尾的
，r正则表达式引擎将匹配无效的语句，因为从第一个引号到字符串末尾有一个匹配项。这里的解决方案是使用原子组，我将更新我的答案进行解释。啊，是的，使用原子组是一个好主意（我通常使用所有格量词；本质上是一样的）！我把它添加到我的正则表达式中，因为否则它会做很多不必要的回溯。谢谢各位。回答得很好。我不知道现在应该将其中哪一个标记为已回答。：）这就是我要找的-负面展望。谢谢~我对这一点投了赞成票，因为这将是我的第二个解决方案，但我宁愿不必编码/解码，也可能如果HTML具有这些额外属性，请对其重新编码。感谢您的帮助！为什么要对HTML进行编码？它总是十进制字符引用吗？我们允许用户通过注释提交HTML，因此我们使用AntiXS（返回十进制字符引用）对所有内容进行编码，然后使用基于白名单的方法选择性地解码安全内容。
/&#60;a (?>href&#61;&#34;.*?&#34;)&#62;/

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

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

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;
    }