Недавно встала необходимость спарсить из HTML документа все ссылки, не содержащие в себе атрибут rel=nofollow и не закрытые в noindex.

Обычно, эти ссылки выглядят как то так:

<noindex><a href=”http://wwwexample.com” rel=”nofollow”>текст ссылки</a></noindex>

Задача, как может показаться тривиальная. И правда, отсечь можно простейшей регуляркой типа:

<noindex.*?/noindex>

Но вот nofollow заставил меня поломать голову.

Для начала я решил что простой регулярки типа

<a.*?nofollow.*?>.*?</a>

Но на практике оказалось, что такой вариант, жадно съедает все между <a и /а> (пока не доберется до nofollow), если встречает ссылку не содержащую nofollow.

Поискав на просторах интернета решение своей задачи, ни чего путного так и не нашел, пришлось немножко напрячь голову, чтобы придумать как сделать так, чтобы получить все ссылки, не содержащие этого атрибута.
И вот что получилось в итоге:

<[^nofollow]*href=\”([^\”]*)\”[^nofollow]*>.*?</a>

Такая регулярка собирает все ссылки, не содержащие упоминания nofollow.

Вот и все.
Надеюсь это поможет сэкономить кому нибудь лишние час-полчаса личного времени, вместо того, чтобы гуглить и/или сидеть в раздумьях 🙂