Question

我有一个字符串，其中包含一个htmlentities编码的HTML代码。

我想要做的是在文档中找到所有路径：

href =“XXX”，src =“XXX”。

我有一个正则表达式，找到所有以http，https，ftp和file开头的链接，并且让我迭代它：

"/\b(?:(?:https?|ftp|file):\/\/|www\.|ftp\.)[-A-Z0-9+&@#\/%=~_|$?!:,.]*[A-Z0-9+&@#\/%=~_|$]/i"

有什么想法吗？

Answer 1

更新：使用正则表达式执行此操作并不可靠。 src =“..”或href =“..”语句可以是注释或javascript语句的一部分。为了可靠地获取链接，我建议使用XPath：

<?php

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string/14782594#14782594');
$doc = new DOMDocument();
@$doc->loadHTML($html);
$selector = new DOMXPath($doc);

$result = $selector->query('//a/@href | //@src');
foreach($result as $link) {
    echo $link->value, PHP_EOL;
}

如果使用正则表达式，我会尝试获取href或src属性的= "之间的内容。下面是一个如何使用正则表达式从此页面获取链接的示例：

<?php

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string');

preg_match_all('/href="(?P<href>.*)"|src="(?P<src>.*)"/U', $html, $m);
                                                        <--- note the U to make the 
                                                             pattern ungreedy
var_dump($m['href']);
var_dump($m['src']);

Answer 2

您可以使用DOM查找特定标记中的所有链接。例如，从锚标签获取网址会做类似这样的事情（未经测试，但它应该指向正确的方向）：

function findPaths($url)
{
   $dom = new DOMDocument();

   //$url of page to search, the "@' is there to suppress warnings
   @$dom->loadHTMLFile($url) 

   $paths = array();
   foreach($dom->getElementsByTagName('a') as $path)
   {
     $paths[] = array('url' => $path->getAttribute('href'), text => $path->nodeValue);
   }
   return $paths;
}

使用XPath加载和评估DOM可以更轻松。

正则表达式用于查找HTML字符串中的所有路径

2 个答案: