Regex для замены HTML-ссылок на текстовые URL-адреса

Question

Мне нужно заменить ссылки в HTML:

<a href="http://example.com"></a>

Просто текстовый адрес URL:

http://example.com

UPD. Некоторые пояснения здесь, мне нужно это, чтобы вырезать HTML-теги из текста, но сохранить расположение ссылок. Это чисто для внутреннего использования, поэтому не будет никакого сумасшедшего кода. В данном случае язык - это питон, но я не понимаю, насколько это актуально.

Answer 1

Как я уже говорил ранее, если вы в порядке с некоторыми ошибками и / или имеете некоторый контроль над вводом, вы можете пойти на некоторые компромиссы в полноте и использовать Regex. Поскольку в вашем обновлении говорится, что это так, вот регулярное выражение, которое должно работать для вас:

/<a\s(?:.(?!=href))*?href="([^"]*)"[^>]*?>(.*?)</a>/gi

• $ 1 : HREF
• $ 2 : все, что находится внутри тега.

Это будет обрабатывать все тестовые примеры, кроме последних трех строк:

Hello this is some text <a href="/test">This is a link</a> and this is some more text.
<a href="/test">Just a link on this line.</a>
There are <a href="/test">two links </a> on <a href="http://www.google.com">this line</a>!
Now we need to test some <a href="http://www.google.com" class="test">other attributes.</a>. They can be <a class="test" href="http://www.google.com">before</a> or after.
Or they can be <a rel="nofollow" href="http://www.google.com" class="myclass">both</a>
Also we need to deal with <a href="/test" class="myclass" style=""><span class="something">Nested tags and empty attributes</span></a>.
Make sure that we don't do anything with <a name="marker">anchors with no href</a>
Make sure we skip other <address href="/test">tags that start with a even if they are closed with an a</a>
Lastly try some other <a href="#">types</a> of <a href="">href</a> attributes.

Also we need to skip <a malformed tags.  </a>.  But <a href="#">this</a> is where regex fails us.
We will also fail if the user has used <a href='javascript:alert("the reason"))'>single quotes for some reason</a>
Other invalid HTML such as <a href="/link1" href="/link2">links with two hrefs</a> will have problems for obvious reasons.

Answer 2

>>> s="""blah <a href="http://example.com"></a> blah <a href="http://www.google.com">test</a>"""
>>> import re
>>> pat=re.compile("<a\s+href=\"(.*?)\">.*?</a>",re.M|re.DOTALL|re.I)
>>> pat.findall(s)
['http://example.com', 'http://www.google.com']
>>> pat.sub("\\1",s)
'blah http://example.com blah http://www.google.com'

для более сложных операций, используйте BeautifulSoup

Answer 3

Вместо использования регулярных выражений вы можете попытаться использовать unlink с минидомом