正则表达式之匹配超链接介绍

在正则表达式知识详解之实战 读取网页中超链接 (java版示例)中，有个匹配超链接的正则为<[Aa]\\s+(.*?\\s+)*?href\\s*=\\s*([\"']).+?\\2\\s*(\\s+.*?\\s*)*?>.+?</[Aa]>,这篇文件主要介绍该正则是如何一步一步写出来的。

上面正则表达式组合过程

1、匹配最简单的<a></a>空的标签，由于a可以大写，所以又下面几种情况

1. 字符串<a></a>，前后都小写，正则为<a></a>。
2. 字符串<a></A>，前小写，后大写，正则为<a></A>。
3. 字符串<A></A>，前后都大写，正则为<A></A>。
4. 字符串<A></a>，前大写，后小写，正则为<A></a>。

即，超链接前面可能是<A>或<a>,后面可能是</A>或</a>，把上面4种合起来的正则即为<[Aa]></[Aa]>。
当然，如果你确定超链接使用的小写或大写，简单点，把[Aa]换成a或A即可。

2、超链接里总归会有点内容的，如中文、英文、空格等等，<a>我是超链接</a>。
在前面的基础上继续完善：

1. 由于超链接的内容可以为任意东西，所以我们方便点，直接用英文句号点.来表示。
2. 内容长度不固定，但至少你得有一个字符吧，所以需要一次或多次，即，用+来限定长度。
3. 一个页面超链接会有很多，如<a>超链接1</a><a>超链接2</a>，肯定要作为两个超链接，不能当成一个超链接，把超链接1</a><a>超链接2作为内容吧。所以要用?限定为非贪婪模式。

综上，得出内容的正则为.+?，与步骤1合并，即：<[Aa]>.+?</[Aa]>

3、超链接至少要有个href属性吧，现在给a标签加个href属性。
为了方便，href属性的内容我们不细致匹配，直接用.+?，这里?可以不加的，一般把+、*这种次数不固定的限制为非贪婪模式不容易出错，除非需要贪婪模式或确定不会导致贪婪匹配。

字符串内容(为了方便我直接用小写的a标签)：
<a href= 'http://blog.csdn.net/gnail_oug'>链接1</a><a href ="javascript:void(0);">链接2</a>

1. 根据上面我们知道http://blog.csdn.net/gnail_oug和javascript:void(0);都可以用.+?来匹配。
2. a标签href属性之间至少要有一个空格，所以\s+来表示。
3. href属性面=两边可以没空格也可以有空格，所以用\s*，至此完整正则表达式为(假设只用单引号)<[Aa]\s+href\s*=\s*'.+?'>.+?</[Aa]>。
4. 由于html中引号可用单引号也可用双引号，所以正则要换成<[Aa]\s+href\s*=\s*['"].+?['"]>.+?</[Aa]>。
5. 正常情况下，步骤4用["']是没问题的。一般情况下前面用单引号后面也会用单引号，前面双引号后面也是双引号，即成对出现。严谨起见，我们排除href='aa"这种前后引号不一致的情况。
   这就用到了回溯引用。\加数字表示引用当前正则里第几个表达式。
   所以正则表达式变为：<[Aa]\s+href\s*=\s*(['"]).+?\1>.+?</[Aa]>

4、其他属性
超链接除了href属性，有时还会有title等其他属性，这些属性有可能在href属性前，有可能在href属性后。
这里我们不知道有没有其他属性，也不需要知道是什么属性，值是多少，所以我直接用.*?，?表示非贪婪模式。
如果在href属性前，那么其他属性和href中间至少要有个空格，如果在href属性后，那么其他属性前和href值中间至少要有一个空格，其他属性后可有空格，也可没有直接是>。
因此，正则完善成：<[Aa]\s+(.*?\s+)*?href\s*=\s*(['"]).+?\2(\s+.*?\s*)*?>.+?</[Aa]>
注意，这里\1变成了\2，因为前面的分组(.*?\s+)*?占用了序号1。

5、转义
至此，相对比较完善的超链接正则已经完成，由于java里面\需要转义，所以使用了两个斜线\\。

本文主要说明一个复杂的正则怎么从一个简单的正则演变的，里面涉及的有些知识点可以参考正则分类。