正则表达式来过滤链接

Question

我正在使用此正则表达式从网页中过滤.pdffiles：

    $regex='|<a.*?href="(.*pdf?)"|';

如果链接是这样的话，那就完成了工作：

 www.xyz.com/trgrrtr/ghtty.pdf

但如果链接是这样的，则无法过滤：

 www.xyz.com/trgrrtr/ghtty.pdf?code=KksRHhdVXAoECBFCVFpeXBsBUgYMDQpxd3J2d3F2fDtzfnFuLiErNXNpIG5kYm16aGhpcmxoa05QV1VKUVFFUxQ%3D

我应该用什么正则表达式从网页中过滤掉这个链接？

Answer 1

博客帖子 An Improved Liberal, Accurate Regex Pattern for Matching URLs 可能会有所帮助。

Answer 2

首先，您需要转义?，否则只会使f前面的$regex = '|<a.*?href="([^"]*\.pdf\?[^"]*)"|'; 成为可选项。然后你可以做这样的事情：

.*

使用否定的字符类可确保您不能保留该属性。 （"也可以使用属性结尾"，然后继续{{1}}匹配字符串后面的另一个双引号。）

但我真的建议您先使用DOM解析器来查找链接元素。 PHP有一个built-in one，并且有一个非常好用且方便的3rd-party alternative。