正则表达式：在 2 个不同的 html 标签中查找那些不包含相同链接的文件

如何解决正则表达式：在 2 个不同的 html 标签中查找那些不包含相同链接的文件

我有 1000 多个 html 文件。我需要使用 REGEX 找出来自 <link tag> 的一个链接是否在同一文件的另一个位置重复。

例如，在第一行中有一个 <link tag 带有此链接 https://mywebsite.com/en/truth.html。

在下面的 <img tag 中，我还有另一个链接 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 标签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 rel="canonical" href="(.*?)" \/>.*?) 这可以从 (alt="de" /></a>&nbsp; <a href=").*?("><img src)

我使用 ?! 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>&nbsp; <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。我应该找到上下不包含相同链接的文件。

解决方法

这很粗糙，但根据您上面的示例应该足够了：

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

关于此的一些事情：

• 我正在从 http... 标签中获取 meta，这假设是绝对网址而不是 /，例如，如果任何 meta 中有多个网址标签，你也想检查一下。
• 我只是使用 .*\1 来查看捕获的链接是否出现在文本中的其他任何位置（甚至在标签之外）——如果您只想要它在标签内，也许将它包装在您的标签中正在寻找它，例如：<a href="\1"。
• 确保设置了 dot-matches-newline 选项（或使用其他字符类）。

,

解决方案：

查找：(?s)<link\h+rel="canonical"\h*\Khref="([^"]+)"((?!<link).)+?<a href="(?!\1).+?"

或

查找：(?s)^<link rel.+?https://([^"]+).+?https://(*SKIP)(?!\1)

或（.匹配换行符）

查找：<link rel="canonical"[^>]*"(https[^"]+)"[^>]*>.*?(\1)

感谢找到这个答案的人HERE