求匹配指定数量大写字母且忽略链接中大写的正则表达式

需求明确 #

需要匹配以大写字母开头，后跟至少5个大写字母或数字的序列（总长度≥6），同时排除网页链接（包括<a>标签的href属性值、标签内的链接文本）中的此类序列。

解决方案正则 #

(?<!<a[^>]*>)(?<!href="[^"]*)[A-Z][A-Z\d]{5,}(?!.*<\/a>)(?!"[^"]*>)

规则解释 #

• (?<!<a[^>]*>)：负向后顾断言，确保匹配的序列不在<a>起始标签之后的文本区域内
• (?<!href="[^"]*)：负向后顾断言，确保匹配的序列不在href属性的引号内容里
• [A-Z][A-Z\d]{5,}：核心匹配规则，匹配大写字母开头，后续至少5个大写字母或数字的组合
• (?!.*<\/a>)：负向前瞻断言，确保匹配的序列之后不会出现</a>结束标签（即不在<a>标签范围内）
• (?!"[^"]*>)：负向前瞻断言，确保匹配的序列不在href属性的引号闭合前

示例验证 #

• 匹配：ABCDEFG、abcDEFG（符合核心规则且不在链接区域）
• 不匹配：<a href="https://stackoverflow.com/ABCDEFG">https://stackoverflow.com/ABCDEFG</a>（两个目标序列分别处于href属性和<a>标签文本内，被断言排除）

注意事项 #

如果使用的正则引擎不支持无限长度环视（比如JavaScript），需要调整为分段处理：先过滤掉所有<a>标签内容，再用原正则匹配剩余文本。

内容的提问来源于stack exchange，提问作者Gilles