应锚定 href 和 src 属性值而非协议头，用 href\s=\s["'](1+)["']|src\s=\s["'](1+)["'] 匹配真实 html 属性值，配合 notepad++ 的正则选项（匹配正则表达式、.匹配换行符、utf-8 编码）确保准确提取。"' ↩
为什么用 https?://\S+ 会抽出来一堆垃圾
这个正则只找“以 http 开头的连续非空白字符”，但它不管这些字符串是不是真的在 HTML 中被使用。实际网页里大量存在注释里的假链接、JS 字符串拼接、Vue 的 :href 绑定、甚至 CSS 里的 url()，都会被误抓。更糟的是，它会把 href="mailto:test@example.com" 或 href="tel:+8613800138000" 也当 URL 提出来。
真正该匹配的是 HTML 属性值本身，不是协议头。所以必须锚定在 href= 和 src= 后面的引号内容上：
-
href\s*=\s*["']([^"']+)["']→ 只取真实属性值，天然过滤掉注释和 JS 字符串 - 如果还想要
src（比如图片、脚本路径），就合并成：href\s*=\s*["']([^"']+)["']|src\s*=\s*["']([^"']+)["'] - 注意分组顺序：
$1是href的值，$2是src的值
Notepad++ 里怎么写对这个正则并确保能跑通
关键不是正则本身写得有多“标准”，而是 Notepad++ 的 PCRE 引擎行为和界面选项要配齐：
- 必须勾选「匹配正则表达式」（Ctrl+F → 查找对话框右下角）
- 必须启用「. 匹配换行符」——否则遇到跨行的
href=（比如换行后才写引号内容）就断掉 - 文档编码必须为 UTF-8（菜单栏「编码」→「转为 UTF-8 编码」），否则中文路径或特殊符号（如
&）可能匹配失败 - 别用
\b单词边界：Notepad++ 旧版本不支持，v8.5.6+ 才可用；稳妥起见用(? 或直接靠引号锚定
用替换功能导出纯 URL 列表的三步操作
「查找全部」只能高亮，不能导出。要拿到干净列表，必须走替换流程：
- 打开替换对话框（Ctrl+H），查找框填：
href\s*=\s*["']([^"']+)["']|src\s*=\s*["']([^"']+)["'] - 替换框填：
$1$2\r\n（Windows 换行）或$1$2\n（Linux 风格） - 点「全部替换」→ 所有匹配 URL 会单独成行，其他 HTML 内容被清空
- 后续清理：Ctrl+H 查找
^\s*$（空行），替换为空；再「编辑」→「行操作」→「删除重复行」
如果部分 URL 是相对路径（如 /static/js/app.js），提取后需人工补全协议和域名 —— 这一步没法靠正则自动判断，得看上下文。
Vue/React 模板或内联 JS 里的链接怎么处理
上面那个正则对 :href="url"、{% url 'xxx' %}、location.href = "xxx" 完全无效。这类情况得另写规则，而且往往需要分层处理：
- 先手动或用替换预处理：把
:href=替换为href=，把{% url块临时注释掉，避免干扰主正则 - 对 JS 字符串中的链接，可尝试：
["']((?:https?|ftp)://[^"']*)["']，但要小心误抓 JSON 字段或注释 - 如果文本量大、格式杂（比如含 base64 编码链接、HTML 实体），别硬刚正则 —— 导出后用 Python 脚本处理更省事
跨行、嵌套、带转义的 URL 是最易漏点，尤其当 href 值被硬回车断开时，哪怕开了「. 匹配换行符」，[^"'] 也不包含 \r\n，匹配直接中断。这种场景下，先统一替换换行符为空格再跑正则，比调参数更可靠。
