HTML文档相对URL转绝对URL：复杂场景处理及代码优化问询

嘿，这个需求我太有共鸣了！处理HTML里的URL替换看似简单，但各种边缘情况真的很容易踩坑——尤其是还要精准区分相对URL和协议相对URL（就是那种//example.com/xxx的格式对吧）。既然你已经有可用代码了，我来分享几个优化方向，帮你把逻辑做得更健壮、更高效：

1. 别用纯正则硬刚，改用HTML解析器（最靠谱的优化） #

纯正则处理HTML简直是噩梦：一不小心就会替换掉注释里的URL、script/style标签里的字符串，或者属性值里的特殊字符。用专业的HTML解析器能精准定位所有带URL的属性，完全避免误替换。

举个Python的例子（用BeautifulSoup），逻辑清晰还不容易出错：

from bs4 import BeautifulSoup
from urllib.parse import urljoin

base_url = "https://your-domain.com"
html_doc = """你的完整HTML文档内容"""

# 初始化解析器
soup = BeautifulSoup(html_doc, 'html.parser')

# 定义所有可能包含URL的属性（覆盖绝大多数场景）
url_attributes = ['href', 'src', 'action', 'srcset', 'background', 'poster']

for attr in url_attributes:
    # 遍历所有带该属性的元素
    for element in soup.find_all(attrs={attr: True}):
        raw_url = element[attr]
        
        # 跳过不需要处理的URL类型
        if (raw_url.startswith('//')  # 协议相对URL
            or raw_url.startswith(('http://', 'https://'))  # 绝对URL
            or raw_url.startswith(('data:', 'mailto:', 'tel:', 'ftp:'))):  # 特殊协议
            continue
        
        # 拼接成绝对URL并替换
        absolute_url = urljoin(base_url, raw_url)
        element[attr] = absolute_url

# 输出处理后的HTML
print(soup.prettify())

2. 特殊属性单独处理，别漏了srcset这类复杂场景 #

像srcset、picture标签里的source元素，这些属性里可能包含多个URL（还带分辨率描述），需要拆分后逐个处理：

// 用Cheerio（Node.js）处理srcset的示例
const cheerio = require('cheerio');
const baseUrl = 'https://your-domain.com';

const $ = cheerio.load(html_doc);

$('img[srcset], source[srcset]').each((i, el) => {
  const srcset = $(el).attr('srcset').split(',').map(item => {
    const [url, ...rest] = item.trim().split(' ');
    // 仅处理相对URL
    if (!url.startsWith('//') && !url.startsWith('http')) {
      return `${new URL(url, baseUrl).href} ${rest.join(' ')}`.trim();
    }
    return item.trim();
  }).join(', ');
  
  $(el).attr('srcset', srcset);
});

3. 性能优化（针对超大HTML文档） #

如果你的HTML文档特别大，比如几十MB那种：

• 用流式解析器（比如Node.js的htmlparser2），避免一次性把整个文档加载到内存
• 缓存已经处理过的相对URL，同一个URL只计算一次绝对路径，减少重复计算

4. 正则优化（如果坚持用正则的话） #

要是你不想换解析器，那至少把正则写得更精准，用反向预查排除不需要替换的情况：

/(?<!https?:\/\/)(?<!\/\/)(?<!data:)(?<!mailto:)(["'])(\/?[^"']+)\1/gi

这个正则会跳过：

• 以http:///https://开头的绝对URL
• 以//开头的协议相对URL
• 以data:/mailto:开头的特殊协议URL
  不过还是要提醒：正则永远不如解析器可靠，遇到复杂HTML结构很容易翻车。

内容的提问来源于stack exchange，提问作者Xhynk