Selektiv replace af bestemte links

Det førstnævnte "absolutte" link er ikke absolut. Laver du et link som <a href='www.link.asp'>Ignore Absolute Link</a><br>, så bliver det et almindeligt relativt link til en side i samme mappe som nuværende, der hedder "www.link.asp". Du skal have http:// foran for at det bliver til et absolut link.

Men når det kommer til stykket, har C# garanteret en "URI" klasse, som kan dette. Derfor bør du bare lave et regexp, der fanger alle url'er, så smider du dem én af gangen igennem URI-klassen, og dem der har et scheme (http:// eller noget andet forrest) er absolutte og skal ikke håndteres - resten håndterer du.

Vil du lave det i regexp kan det skam også lade sig gøre, hvis C#'s regexp-engine understøtter (variabel-længde) look-aheads:

... href="((?!\w+://).*?)" ...

Så vil du kun fange href's, der ikke starter med "abc://" - altså http://, https://, mailto:// og så videre.

Link1 er jo absolut i den henseende at man med target=_blank kan bruge den, men ellers ikke virke specielt prof...

men jeg tror lige jeg kigger lidt på hvad URI kan og ikke kan...

> "hvis C#'s regexp-engine understøtter (variabel-længde) look-aheads:"

Det gør den skam.

En løsning baseret på negative lookahead:

            string portalUrl = "http://www.portal.dk/";

            Regex re = new Regex(@"(href=[""'])(?!(https?|ftp)://)");
            text = re.Replace(text, "$1" + portalUrl);

Man kan (vel) helt undlade at matche noget :)

    Regex re = new Regex(@"(?<!href=[""'])(?!(https?|ftp)://)");
    text = re.Replace(text, portalUrl);

Og så eventuelt efter behov tilføje flere schemes som mailto og andet godt :)

--
Morten Barklund

Den gaår bare lidt amok ;^)

        static void Main(string[] args)
        {
            Test(@"<a href='www.link.asp'>");
            Test(@"<a href='http://www.link.asp'>Ignore Absolute Link</a><br>");
            Test(@"<a href='https://www.link.asp'>Ignore Absolute Link</a><br>");
            Test(@"<a href='ftp://www.link.asp'>Ignore Absolute Link</a><br>");
        }

        private static void Test(string text)
        {
            string portalUrl = "http://www.portal.dk/";

            // Regex re = new Regex(@"(href=[""'])(?!(https?|ftp)://)");
            // text = re.Replace(text, "$1" + portalUrl);

            Regex re = new Regex(@"(?<!href=[""'])(?!(https?|ftp)://)");
            text = re.Replace(text, portalUrl);

            Console.WriteLine(text);
        }

Nu har jeg slet ikke C#, så jeg snakker rent hypotetisk - det burde kunne lade sig gøre for en pæn implementation :)

Hov vent, det er jo et negativt lookbehind - det skal være positivt:

    Regex re = new Regex(@"(?<=href=[""'])(?!(https?|ftp)://)");
    text = re.Replace(text, portalUrl);

Sådan :)

Funker :^)

okay i to :D

dét jeg skal, er at extende den eventuelle querystring med "&GID=" + GadgetID
sådan at "<a href='?test=123'>?test=123</a>" bliver til "<a href='?test=123&GID=GA1'>?test=123</a>"

de tilfælde hvor URL'indeholder en sti eller fil, skal disse pilles ud
"<a href='link.asp?test=abc'>link.asp?test=abc</a>" --> til -->
<a href='?PAGE=link.asp?test=abc&GID=GA1'>link.asp?test=abc</a>

har på fornemmelsen at det nemmeste er at lave en parser

URL = /urlen som blev fundet/
if( URL.match("http://") )
  return url
else{
  if( url.match(...
  ... //osv
}


eller mener i at man kan lave en RegExp ONCE AND FOR ALL :D - THE Ultimate REGEXP !

Det er sjældent en god idet at forsøge at lave en regexp som skal klare aaaalt - den bliver ugennemskuelig, og svær at vedligeholde. Hellere løse opgaven a enkelte relativt simple skridt.

BTW... har kigget på URI... synes ikke objectet giver mulighed for meget andet end validering af et link... men har nok ikke kigget nok...

Jeg vil nu sige, at ovenstående er ret tæt på at være komplet, men da du skal håndtere url'er med søgestreng forskelligt fra url'er uden (og faktisk skal huske at sætte parameteren ind inden et eventuel fragment og samtidig skal håndtere url'er til en anden side forskelligt fra url'er med udelukkende søgestreng, så skal du nok have tre regexp's i gang der håndterer de tre situationer forskelligt. Men det er nu stadig ret simpelt og overkommeligt :)

Altså først et udtryk til at fange url'er med kun søgestreng:

    Regex re = new Regex(@"(href=['""]\?[^'""#]+)([^'""]*['""])");
    text = re.Replace(text, "$1&GID=GA1$2);

Derefter url'er til andre sider uden scheme forrest og uden søgestreng (men med eventuelt fragment):

    Regex re = new Regex(@"(href=['""](?!(https?|ftp)://)[^'""?#]+)([^'""?]*['""])");
    text = re.Replace(text, "?PAGE=$1?GID=GA1$2);

Og til sidst links til andre sider uden scheme forrest med søgestreng (og med eventuelt fragment) - og her vil vi så heller ikke fange dem, der allerede er omskrevet til "?PAGE=...":

    Regex re = new Regex(@"(href=['""](?!(https?|ftp)://|\?PAGE=)[^'""#]+)([^'""]*['""])");
    text = re.Replace(text, "?PAGE=$1?GID=GA1$2);

Det er bestemt ikke testet, men det burde være i den rigtige retning :)

--
Morten Barklund

Hey Barklund !

umidlbart virker din løsning med 3 regex' -- dog med et mindre problem... Regex'en æder href=" og smadre linksn'e til --> <a ?page=....">

problemet løses vel ved at indsætte ')(' et sted og justere $ i replace... ser lige om jeg selv kan... men post endelig et svar, hvor problemet er løst :) så kan du også få point.

Jeg kom lige til at tænke på...

man kan jo bruge lookahead til at se om linket allerede ER blevet fixet...

montago, det gør jeg jo også i den sidste - lookahead til at se om linket starter med ?PAGE=

Derudover troede jeg nu, at jeg havde fået styr på parenteserne - kan se det gik galt i den sidste:

Regex re = new Regex(@"(href=['""])((?!(https?|ftp)://|\?PAGE=)[^'""#]+)([^'""]*['""])");
text = re.Replace(text, "$1?PAGE=$2?GID=GA1$3);

Sådan går det, når man bare skriver lige ud i luften og ikke lige kan teste det :)

Løste faktisk det hele selv... på en mere simpel facon... syntes ikke rigtigt jeg kunne få RegEx til at spille ordenligt

    private static string FixGadgetURLs(string HTML, string GadgetID)
    {
        Regex URLPattern = new Regex("(<a.+?href=['\"])(.+?)(['\"].*?>)");
        HTML = URLPattern.Replace(HTML, new MatchEvaluator(Gadget.UrlFormatter));
       
        Regex GIDPattern = new Regex(@"(\[%GID%\d\])");
        HTML = GIDPattern.Replace(HTML,"GID="+GadgetID);

        return HTML;
    }
    static string UrlFormatter(Match m)
    {
        string URL = m.Groups[2].ToString();

        if (Regex.Match(URL, "^[?]$").Success)
        {// -- ?
            return m.Groups[1] + URL + "[%GID%1]" + m.Groups[3];
        }
        else if (Regex.Match(URL, "^[?].+?").Success)
        {// -- ?query=value
            return m.Groups[1] + URL + "&[%GID%2]" + m.Groups[3];
        }
        else if (Regex.Match(URL, "(https?|ftp|mailto)(://)(.+?)").Success)
        {// -- Http://domain.com/path/file.ext?query=value
            return m.ToString();
        }
        else if (Regex.Match(URL, ".+?[?].+?").Success)
        {// -- file.ext?query.value
            return m.Groups[1] + "?PATH=" + URL.Replace("?", "&") + "&[%GID%3]" + m.Groups[3];
        }
        else
        {// -- /path/file.ext
            return m.Groups[1] + "?PATH=" + URL + "&[%GID%4]" + m.Groups[3];
        }
    }