使用Python正则表达式为缺失属性的<a>标签添加target与rel属性

需求描述 #

在大文件中查找所有形如<pre><code>&lt;a href='https://example.com/'&gt;</code></pre>的HTML引用，当<a>标签缺失target='_blank' rel='noopener noreferrer'属性时，将其追加到标签末尾。

尝试代码 #

re.sub(r'<a href=([^>]+)', r'<a href=([^>]+)' + " target='_blank' rel='noopener noreferrer'", content)

注：content为待处理文本内容。

问题现象 #

替换后得到结果：

<a href=([^>]+) target='_blank' rel='noopener noreferrer'>

而非预期的：

<a href='https://example.com/' target='_blank' rel='noopener noreferrer'>

错误原因 #

1. 未使用反向引用：正则里的([^>]+)是捕获组，用于匹配href的具体值，但替换字符串直接写了该正则表达式文本，而非用反向引用（如\1）调用捕获到的实际内容，导致正则表达式本身被当作固定字符串输出。
2. 未过滤已有目标属性的标签：原正则会匹配所有带href的<a>标签，即便标签已经包含目标属性，也会重复追加，不符合需求。

解决方法 #

核心修正点 #

• 用反向引用\1指代捕获组匹配到的实际内容；
• 添加否定前瞻断言，仅处理未包含目标属性的<a>标签，避免重复操作。

修正后的代码 #

import re

# 匹配不含目标属性的<a>标签，兼容标签内有其他属性的场景
pattern = r'&lt;a(?!.*target=\'_blank\' rel=\'noopener noreferrer\')([^&gt;]+)&gt;'
# 保留原有内容，追加目标属性
processed_content = re.sub(pattern, r'&lt;a\1 target=\'_blank\' rel=\'noopener noreferrer\'&gt;', content)

代码说明 #

• (?!.*target='_blank' rel='noopener noreferrer')：否定前瞻断言，确保当前<a>标签内容中不包含目标属性，只对缺失属性的标签生效；
• ([^>]+)：捕获<a>标签中除闭合符号>外的所有原有内容（包括href和其他可能的属性）；
• \1：在替换字符串中引用捕获到的原有内容，保证标签原有属性不丢失，再追加目标属性。

内容的提问来源于stack exchange，提问作者Karthik