Node.js如何从混杂无意义内容的字符串中解析提取目标URL

针对从混杂无意义文本的字符串中提取a标签内URL的需求，提供两类可直接落地的实现，你可以根据自己的项目场景选择：

零依赖实现 #

快速正则方案（仅适合输入格式固定的场景） #

如果你的业务场景里a标签格式和示例完全一致，不存在嵌套标签、转义引号、无引号属性值这类特殊写法，可以直接用正则提取，不需要安装任何依赖：

function extractTargetUrls(text) {
  const urlList = []
  // 兼容a标签属性顺序、单双引号写法
  const aTagMatchReg = /<a\s+[^>]*href\s*=\s*(["'])(?<targetUrl>https?:\/\/[^"']+)\1[^>]*>[^<]*<\/a>/gi
  let matchRes
  while ((matchRes = aTagMatchReg.exec(text)) !== null) {
    urlList.push(matchRes.groups.targetUrl)
  }
  // 去重后返回
  return [...new Set(urlList)]
}

// 测试示例
const demoText = 'abcxyz <a href="https://example.com/foo.png" rel="nofollow noreferrer">https://example.com/foo.png</a> gibberfish text.'
console.log(extractTargetUrls(demoText)) // 输出: ['https://example.com/foo.png']

注意：该方案无法覆盖HTML的所有合法语法场景，仅建议在输入来源可控、格式固定的情况下使用。

原生DOM解析方案（Node.js 22+ 可用，覆盖所有边界场景） #

Node.js 22及以上版本已经内置了标准Web API DOMParser，不需要引入任何第三方包就能按标准HTML规则解析内容，不会出现正则匹配的边界问题：

function extractTargetUrls(text) {
  const parser = new DOMParser()
  // 把文本包裹在div节点中解析，避免零散文本节点丢失
  const doc = parser.parseFromString(`<div>${text}</div>`, 'text/html')
  return Array.from(doc.querySelectorAll('a[href^="http"]'), a => a.href)
}

第三方依赖包方案（兼容所有Node版本，生产环境推荐） #

如果你的项目Node版本低于22，或者需要处理来源复杂、格式不固定的文本内容，直接用成熟的HTML解析库是最稳妥的选择，不用自己处理各种HTML兼容坑：

• cheerio：Node生态最常用的轻量HTML解析库，API和jQuery对齐，学习成本低，体积小速度快，是这类场景的首选
  安装命令：npm install cheerio
  实现代码：

  import * as cheerio from 'cheerio'
  
  function extractTargetUrls(text) {
    const $ = cheerio.load(`<div>${text}</div>`)
    const urlList = []
    $('a[href^="http"]').each((_, ele) => {
      urlList.push($(ele).attr('href'))
    })
    return [...new Set(urlList)]
  }
  

• linkedom：性能更高的轻量DOM实现，API完全对齐浏览器原生DOM标准，解析速度比cheerio更快，适合大文本量、对性能要求高的场景
  安装命令：npm install linkedom
  实现代码：

  import { parseHTML } from 'linkedom'
  
  function extractTargetUrls(text) {
    const { document } = parseHTML(`<div>${text}</div>`)
    return Array.from(document.querySelectorAll('a[href^="http"]'), a => a.href)
  }
  

生产环境不要用复杂正则直接解析任意HTML内容，HTML语法容错性极强，正则无法覆盖所有合法写法，很容易出现漏匹配、错匹配问题，用标准HTML解析器是长期维护成本最低的方案。

内容的提问来源于stack exchange，提问作者user17729899