Question

我正在尝试编写正则表达式，以从HTML源中提取URL列表的href和anchor文本。 anchor文本可以是任何值。

HTML部分如下：

<div class="links"><a rel="nofollow" target="_blank" href="http://url1.com" class="get-all">URL1</a><a rel="nofollow" target="_blank" href="http://url2.com" class="get-all">This is Url-2</a><a rel="nofollow" target="_blank" href="http://url3.com" class="get-all">This is Url-3</a><a rel="nofollow" target="_blank" href="http://url4.com" class="get-all">Sweet URL 4</a></div>

我尝试了以下正则表达式，但它不起作用，因为它抓取</a>标记之前的所有内容并失败。

preg_match_('/<a rel="nofollow" target="_blank" href="(.*)" class="see-all">(.*)<\/a>/', $source , $website_array);

提取我所需数据的正则表达式是什么？

Answer 1

如果你必须知道，表达式是贪婪的，所以它可能会匹配第一个锚点的开头和最后一个锚点的结尾; /U修饰符将修复：

preg_match('/<a rel="nofollow" target="_blank" href="(.*)" class="see-all">(.*)<\/a>/U', $source , $website_array);

请注意pcre.backtrack_limit适用于ungreedy模式。

使用预见集可能会提供更好的性能：

preg_match('/<a rel="nofollow" target="_blank" href="([^"]*)" class="see-all">([^<]*)<\/a>/', $source , $website_array);

这将导致锚本身内的标签出现问题。

由于上述限制，我会认真考虑使用HTML解析器：

$d = new DOMDocument;
$d->loadHTML($source);
$xp = new DOMXPath($d);
foreach ($xp->query('//a[@class="see-all"][@rel="nofollow"][@target="_blank"]') as $anchor) {
    $href = $anchor->getAttribute('href');
    $text = $anchor->nodeValue;
}

Demo

这将很乐意以不同的顺序处理属性，并使您能够进一步查询内部等。

Answer 2

尝试

preg_match_all('/<a[^>]+href="([^"]+)"[^>]*>([^>]+)<\/a>/is', $source , $website_array);

它将匹配所有链接并返回带有信息的数组。注意：

[^“] - 匹配除”

之外的任何字符

Answer 3

虽然使用正则表达式解析HTML通常是一个坏主意（我建议查看DOMDocument类以获得更好的解决方案），但是在某些情况下，它可以用于非常具体地了解您要提取的内容并且可以是确保在所有情况下，该变量文本实际上不会破坏你的正则表达式。

对于您的情况，您可以尝试：

$pattern = '#<a rel="nofollow" target="_blank" href="(.*)" class="get-all">(.*)</a>#U';
preg_match_all($pattern, $source, $website_array);

注意最后的ungreedy修饰符（U）。这对于仅匹配可能的最小匹配非常重要。

Answer 4

或者你可以这样做：

<?php
$html = <<<HTML
<div class="links"><a rel="nofollow" target="_blank" href="http://url1.com" class="get-all">URL1</a><a rel="nofollow" target="_blank" href="http://url2.com" class="get-all">This is Url-2</a><a rel="nofollow" target="_blank" href="http://url3.com" class="get-all">This is Url-3</a><a rel="nofollow" target="_blank" href="http://url4.com" class="get-all">Sweet URL 4</a></div>
HTML;


$xml = new DOMDocument();
@$xml->loadHTML($html);

$links=array();
$i=0;
//Get all divs
foreach($xml->getElementsByTagName('div') as $divs) {
    //if this div has a class="links"
    if($divs->getAttribute('class')=='links'){
        //loop through this div
        foreach($xml->getElementsByTagName('a') as $a){
            //if this a tag dose not have a class="get-all" continue to next
            if($a->getAttribute('class')!='get-all')
            continue;

            //Assign values to the links array
            $links[$i]['href']=$a->getAttribute('href');
            $links[$i]['value']=$a->nodeValue;
            $i++;
        }

    }
}

print_r($links);
/*
Array
(
    [0] => Array
        (
            [href] => http://url1.com
            [value] => URL1
        )

    [1] => Array
        (
            [href] => http://url2.com
            [value] => This is Url-2
        )

    [2] => Array
        (
            [href] => http://url3.com
            [value] => This is Url-3
        )

    [3] => Array
        (
            [href] => http://url4.com
            [value] => Sweet URL 4
        )

)
*/
?>

如何使用正则表达式解析此HTML？

4 个答案: