Question

我有这个正则表达式：

preg_match_all("/<\s*?img\s[^>]*?src=([\"']??)([^\"' >]*?)\1[^>]*?>/si", $content, $m);

我们的想法是在一段HTML中找到所有图像链接。鉴于此内容：

<p>
    <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />Some text here.</p><a href="site.html">test</a>

执行正则表达式后，$ m是一个包含3个空数组的数组，但如果我用this site测试它，结果是：

Array
(
    [0] => Array
        (
            [0] => <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />
        )

    [1] => Array
        (
            [0] => "
        )

    [2] => Array
        (
            [0] => /emailimg/interdigital_old.jpg
        )

)

有什么问题？这是配置问题吗？

Answer 1

DOM / XPath（即正确）方式：

<?php

  $html = '
<p>
    <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />Some text here.</p><a href="site.html">test</a>
';

  $dom = new DOMDocument('1.0');
  $dom->loadHTML($html);

  $xpath = new DOMXPath($dom);

  $links = array();
  foreach ($xpath->query('//img/@src') as $img) $links[] = $img->value;
  print_r($links);

Tested and working

修改

你的正则表达式不起作用的原因有两个：

您已使用双引号字符串声明了正则表达式。这通常会导致您不期望并且不完全明显的事情，因为双引号字符串将在传递给PCRE之前插入某些转义序列。在您的情况下导致的问题是\1被解释为八进制字符定义（定义为here），因此您的表达式具有文字0x01（标题的开头）字符在其中，而不是您希望PCRE用作后向参考的\1字符串。

我发现当我遇到这样的问题时，一个好的起点就是简单echo屏幕上的表达式，以查看PHP如何插入您在脚本中声明的字符串。 Here是对该特定问题的证明。

([\"']??) - 第二个问号是打破它。我真的不确定你要用这个来完成什么，这只是一个错误的类型吗？我很难确定PCRE究竟是如何解释这一点的，以及为什么它会破坏它，但足以说它确实如此，第二个问号需要去。 FTR，它具有的效果是表达式仍然匹配<img>标签，但是下面的捕获组（您实际想要的数据）是空的。

现在让我们分解正则表达式，看看如何改进它：

<\s*?img - 这里的非贪婪*毫无意义，因为\s只匹配空格，下一个序列将是alphas，只需<\s*img即可。我实际上并不确定HTML标记是否允许在开头<和标记名称之间有前导空格，但我认为它不会造成任何伤害，因为正确的解析器可能会。

\s[^>]*?src=(["']??) - 如前所述，捕获组中的??打破了表达式，我不确定您首先尝试使用它做什么。另外，我认为非贪婪的*毫无意义，因为标记将以>结尾，如果我们还没有找到src，那么反正不是一场比赛。另外，如果我们允许在不应该是解析器可能允许的地方使用空格，我们应该允许它在=附近。我将其重写为\s[^>]*src\s*=\s*(["']?)。

([^"' >]*?)\1 - 假设您担心能够处理不带引号的属性，请不要在此处投诉。当然，如果你做知道将始终引用属性，你可以简单地使用([^\1]*?)\1并从前面的捕获组中删除?，我们确定使用的报价类型

[^>]*?> - 此处没有投诉。

/si - s修饰符毫无意义，因为表达式中的任何位置都没有.。它没有任何伤害，但它也没有帮助，所以它是多余的。

所以，把所有这些放在一起，在这里我将如何编写正则表达式：

/<\s*img\s[^>]*src\s*=\s*(["']?)([^"' >]*?)\1[^>]*>/i

...当转换为带有正确转义引号的PHP字符串声明时，如下所示：

$expr = '/<\s*img\s[^>]*src\s*=\s*(["\']?)([^"\' >]*?)\1[^>]*>/i';

......顺便说一下works nicely。

现在，我仍然认为即使考虑额外的代码，DOM方法也更好，因为它可能会捕获我的正则表达式技巧已经忘记的边缘情况。虽然可以肯定正则表达式确实是somewhat faster。

为什么这个正则表达式不起作用？

1 个答案: