Question

所以，我希望在php中将以下链接结构与preg_match_all匹配..

<a garbage href="http://this.is.a.link.com/?query=this has invalid spaces" possible garbage>
<a garbage href='http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage>
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage>
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters>

我可以通过

获得“和'deilmited url

'#<a[^>]*?href=("|\')(.*?)("|\')#is'

或者我可以获得全部3，但如果前两个中有空格，则不会：

'#<a[^>]*?href=("|\')?(.*?)[\s\"\'>]#is'

我如何制定这个，以便它可以选择“和”用潜在的空格分隔，但也可以正确编码没有分隔符的URL。

Answer 1

好的，这似乎有效：

'#<a[^>]*?href=((["\'][^\'"]+["\'])|([^"\'\s>]+))#is'

（$ matches [1]包含网址）

唯一的烦恼是被引用的网址仍然有引号，所以你必须将它们剥离：

$first = substr($match, 0, 1);
if($first == '"' || $first == "'")
    $match = substr($match, 1, -1);

Answer 2

编辑：我编辑了这个比我最初发布的要好一点。

你几乎在第二个正则表达式中拥有它：

'#<a[^>]*?href=("|\')?(.*?)[\\1|>]#is'

返回以下数组：

array(3) {
  [0]=>
  array(4) {
    [0]=>
    string(92) "<a garbage href="http://this.is.a.link.com/?query=this has invalid spaces" possible garbage>"
    [1]=>
    string(101) "<a garbage href='http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage>"
    [2]=>
    string(94) "<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage>"
    [3]=>
    string(77) "<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters>"
  }
  [1]=>
  array(4) {
    [0]=>
    string(1) """
    [1]=>
    string(1) "'"
    [2]=>
    string(0) ""
    [3]=>
    string(0) ""
  }
  [2]=>
  array(4) {
    [0]=>
    string(74) "http://this.is.a.link.com/?query=this has invalid spaces" possible garbage"
    [1]=>
    string(83) "http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage"
    [2]=>
    string(77) "http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage"
    [3]=>
    string(60) "http://this.is.a.link.com/?query=no_spaces_but_no_delimiters"
  }
}

有或没有分隔符。

Answer 3

使用DOM解析器。您无法使用正则表达式解析（x）HTML。

$html = <<<END
<a garbage href="http://this.is.a.link.com/?query=this has invalid spaces" possible garbage>
<a garbage href='http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage>
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage>
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters>
END;

$domd = new DOMDocument();
libxml_use_internal_errors(true);
$domd->loadHTML($html);
libxml_use_internal_errors(false);

$items = $domd->getElementsByTagName("a");
foreach ($items as $item) {
  var_dump($item->getAttribute("href"));
}

Answer 4

当您说要匹配它们时，您是尝试从链接中提取信息，还是只是找到带有href的超链接？如果你只追求后者，这应该可以正常工作：

/<a[^>]*href=[^\s].*?>/

Answer 5

正如@JasonWoof指出的那样，您需要使用嵌入式替换：引用URL的一种替代方法，一种用于非引用的URL。我还建议使用捕获组来确定正在使用哪种报价，正如@DanHorrigan所做的那样。通过添加负前瞻（(?!\\2)）和占有量词（*+），您可以创建一个非常强大的正则表达式，也很快：

~
<a\\s+[^>]*?\\bhref=
(
  (["'])          # capture the opening quote
  (?:(?!\\2).)*+  # anything else, zero or more times
  \\2             # match the closing quote
|
  [^\\s>]*+   # anything but whitespace or closing brackets
)
~ix

See it in action on ideone.（加倍的反斜杠是因为正则表达式是以PHP heredoc的形式编写的。我更喜欢使用nowdoc，但是ideone显然仍在运行PHP 5.2。）

有一些正则表达式头痛与各种链接和href分隔符（“和'）

5 个答案: