我有超过1000个html文件。我需要找出与REGEX如果一个链接从<link tag>是重复在另一个位置在同一文件。
例如，在第一行中有一个<link tag，其链接为https://mywebsite.com/en/truth.html。
在下面的一个<img tag和我有另一个链接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> <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，我应该找到那些文件，不包含相同的链接在2个不同的html标签。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="(.*?)" \/>.*?)可以从<img标签找到第二个链接：(alt="de" /></a> <a href=").*?("><img src)
我使用?!排除第二个链接，所以正则表达式是：
FIND：（.matches new line）(<link rel="canonical" href="(.*?)" \/>.*?)(?!(alt="de" /></a> <a href=")).*?("><img src)
但不起作用，它找到两个链接，即使它们是相同的。我应该找到不包含相同链接的文件向上和向下。
3条答案
按热度按时间7d7tgy0s1#
这是相当粗糙的，但根据上面的例子，它应该足够了：
<meta[^>]*"(http[^"]+)"[^>]*>.*?(\1)关于这件事的几件事：
meta标签中抓取了http...，这假设了一个绝对的url，而不是/，例如，如果在任何meta标签中有多个url，你也会想要检查它。.*\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）--如果你只希望它在标签中，也许可以将它 Package 在你想要找到它的标签中，例如：<a href="\1"。velaa5lx2#
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)or（.matches new line）
查找：
<link rel="canonical"[^>]*"(https[^"]+)"[^>]*>.*?(\1)感谢那些找到这个答案的人HERE
hwazgwia3#
查找：
或