Vincular texto con expresiones regulares en Java

Question

Tengo un área de texto wysiwyg en una aplicación web Java. Los usuarios pueden ingresar texto, darle un estilo o pegar texto con formato HTML.

Lo que estoy tratando de hacer es linkify el texto. Esto significa, convertir todas las URL posibles dentro del texto, a su "contraparte de trabajo", es decir, agregar < a href = "..."> ... </a>.

Esta solución funciona cuando todo lo que tengo es texto plano:

String r = "http(s)?://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?"; 
Pattern pattern = Pattern.compile(r, Pattern.DOTALL | Pattern.UNIX_LINES | Pattern.CASE_INSENSITIVE); 
Matcher matcher = pattern.matcher(comment); 
comment = matcher.replaceAll("<a href=\"$0\">$0</a>"); // group 0 is the whole expression 

pero el problema es cuando hay algún texto ya formateado, es decir, que ya tiene la < a href =". .. "> ... </a> etiquetas.

por lo que estoy buscando alguna forma para el patrón no coincidir cada vez que encuentra el texto entre dos etiquetas HTML (< a>). He leído que esto se puede lograr con lookahead o lookbehind pero todavía no puedo hacerlo funcionar. Estoy seguro de que lo estoy haciendo mal porque la expresión regular aún coincide. Y sí, he estado jugando/depurando grupos, cambiando $ 0 a $ 1, etc.

¿Alguna idea?

Answer 1

Usted está cerca. Puede utilizar una "búsqueda hacia atrás negativo" de esta manera:

(?<!href=")http:// etc 

Todos los resultados precedidos por href serán ignorados.

Answer 2

Quizás el análisis html sea más apropiado para usted (htmlparser por ejemplo). Entonces podría tener nodos html y solo enlaces "linkify" en el texto y no en los atributos.

Answer 3

Si tiene que hacer su propia versión, al menos consulte los algoritmos/patrones utilizados en una implementación de Markdown de código abierto, por ejemplo, MarkdownJ.

Answer 4

Si quieres usar regex, (aunque creo que analizar primero en XML/HTML es más robusto) creo que mirar hacia adelante o hacia atrás tiene sentido. Un primer intento podría ser añadir esto al final de la expresión regular:

(?!</a>) 

Significado: no coinciden si hay un cierre de una etiqueta justo después. (Esto podría ser ajustado para siempre, por supuesto.) Esto no funciona bien, sin embargo, porque dada la cadena

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

Esta expresión regular trata de hacer coincidir "http://example.com/", fallar debido a la búsqueda hacia delante (como esperamos), y luego retroceder el calificador codicioso para tener en el extremo y coincidir con "http://example.com" en su lugar, que no tiene una después de él.

Puede solucionar este problema utilizando un possessive qualifier en su +, * y? operadores - solo pega un + después de ellos. Esto les impide retroceder. Probablemente esto también sea bueno por motivos de rendimiento.

Esto funciona para mí (tenga en cuenta los tres adicional + 's):

String r = "http(s)?://([\\w+?\\.\\w+])++([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&amp;\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*+)?+(?!</a>)"; 

Answer 5

Si realmente quiere hacerlo con expresiones regulares, que:

String r = "(?<![=\"\\/>])http(s)?://([\\w+?\\.\\w+])+([a-zA-Z0-9\\~\\!\\@\\#\\$\\%\\^\\&amp;\\*\\(\\)_\\-\\=\\+\\\\\\/\\?\\.\\:\\;\\'\\,]*)?"; 

por ejemplo, compruebe que la URL no está siguiendo a = "o />