regex - 正则表达式：在 2 个不同的 html 标记中查找那些不包含相同链接的文件

问题描述

我有 1000 多个 html 文件。我需要用 REGEX 找出一个链接<link tag>是否在同一文件的另一个位置重复。

例如，在第一行有一个<link tagwith this link https://mywebsite.com/en/truth.html。

在下面，<img tag我有另一个链接https://mywebsite.com/en/love.html

<link rel="canonical" href="https://mywebsite.com/en/truth.html" />

text text
    
text

<img src="index_files/flag_lang_de.jpg" width="28" height="19" title="de" alt="de" /></a>&nbsp; <a href="https://mywebsite.com/en/love.html"><img src="index_files/flag_lang_ru.jpg" width="28" height="19" title="ru" alt="ru" /></a>

使用正则表达式后，我应该在 2 个不同的 html 标记中找到那些不包含相同链接的文件。我做了一个正则表达式，但不是很好。

这可以从 <link 标签中找到第一个链接：(<link rel="canonical" href="(.*?)" \/>.*?) 这可以从 <img 标签中找到第二个链接：(alt="de" /></a>  <a href=").*?("><img src)

我?!用来排除第二个链接，所以正则表达式是：

查找：（.匹配换行符）

(<link rel="canonical" href="(.*?)" \/>.*?)(?!(alt="de" /></a>  <a href=")).*?("><img src)

但是不起作用，它会找到两个链接，即使它们是相同的。我应该找到不包含上下相同链接的文件。

标签： regexnotepad++

这很粗略，但根据您上面的示例，它应该足够了：

<meta[^>]*"(http[^"]+)"[^>]*>.*?(\1)

关于这一点的几点：

我http...从meta标签中获取，这假定一个绝对 url，而不是/例如，如果任何meta标签中有多个 url，你也想检查它。
我只是使用 a.*\1来查看捕获的链接是否出现在文本中的其他任何地方（甚至在标签之外）——如果你只希望它在一个标签内，也许将它包装在你想要找到它的标签中，例如：<a href="\1"。
确保设置了 dot-matches-newline 选项（或使用另一个字符类）。

regex - 正则表达式：在 2 个不同的 html 标记中查找那些不包含相同链接的文件

问题描述

解决方案

推荐阅读