Question

我已经阅读了一些关于使用正则表达式解析HTML的问题，我知道这总的来说是一个糟糕的想法。

说完这个，我有一个非常具体的问题，我认为正则表达可能是答案。我一直在努力寻找答案，但我是新的（今天）到Regex，我希望有些善良的人可以帮助我。

我有一个字符串数组，始终遵循格式

STUFF HERE<a href="somewhere" title="something" target="_blank">name of thing</a>STUFF HERE

我希望实现的只是留下'某处'和'名称的东西，以便我只能输出<a href="somewhere">name of thing</a>。

如果您感兴趣的话，字符串数组来自我个人资料中的链接的RSS源。

很多，非常感谢你的帮助。

杰克

Answer 1

我完全理解你从实用主义的角度出发的地方。

然而，PHP确实有一个非常nice/straightforward HTML parser，并且它似乎足够简单，我可以犹豫而不是来推荐它。

Answer 2

我不懂PHP，但你可以使用以下（极其脆弱的）正则表达式：

<a href="(.+?)" title=".+?" target="_blank">(.+?)</a>

这将捕获链接的URL和文本。

如果您想要更灵活，可以允许任何属性，例如：

<a .*?href="(.+?)".*?>(.+?)</a>

Answer 3

$str = 'STUFF HERE<a href="somewhere" title"something" target="_blank">name of thing</a>STUFF HERE';
$success = preg_match('/.*href=\"([^\"]+)\".*>([^<]+)<.*/i', $str, $matches);
if ($success) {
    echo $matches[1];
    echo $matches[2];
} else {
    echo "Parsing failed.";
}

括号子句隔离$ matches数组的匹配部分。如果模式完全匹配字符串，则$ matches [1]将包含您的href，$ matches [2]将包含您的链接文本。

在括号内，我正在定义您对排除字符感兴趣的段的内容。第一个是[^ \“] +，它是除双引号之外的任何字符中的一个或多个。后者是[^＆lt;] +，它是除了小于的任何字符中的一个或多个。这确保了，如果标记始终采用您提供的格式，那么您在您感兴趣的部分的任何一侧都有明确定义的边界。

Answer 4

对于href以外没有其他属性的网址，

SLaks regex可能存在一些问题，这是我的看法：

~<a.+?href="(.+?)".*?>(.+?)</a>~i

Answer 5

我已经使用自己的Facebook Feed进行了测试，可以使用SimpleXML加载它。好吧，部分。 RSS源无法直接加载，但如果您首先使用MagPie获取Feed，则可以使用SimpleXml加载description元素，如下所示：

$xml = simplexml_load_string($description); // load description
$link = $xml->xpath('//a');                 // find all links inside
$href = (string) $link[0]['href'];          // get URL
$text = (string) $link[0];                  // and link text

只要Facebook不破坏描述中的HTML，就可以安全地使用SimpleXml。如果它们破坏它，SimpleXml会抱怨。

不是另一个Parse-HTML-With-Regex问题

5 个答案: