正则表达式从HTML中提取链接

Question

您好我正在尝试使用正则表达式从html中删除链接，如下所示：

<p>some random text < hr ef="http://url.co.uk/link/">link text</a> some more random text.</p>

我使用的reg表达式是：

preg_match_all('/(< href="http:\/\/url.co.uk\/([\d\D]*?)\/">([\d\D]*?)<\/a>)/', $content, $matches);

在链接的一部分由于换行而在其中间返回时，其工作正常，如下所示：

<p>some random text < href="
http://url.co.uk/link/">link text</a> some more random text.</p>

carrage返回可以是链接中的任何位置，意味着链接不匹配。

任何人都可以建议一种解决这个方法的方法，或者通过做一些事情来删除因为reg表达式对文本的影响而删除的回报。

Answer 1

html解析器可以为你完成工作而没有错误，simplehtmldom使用非常简单（需要php 5+）：http://simplehtmldom.sourceforge.net/

Answer 2

您可以使用\s*来消除无关的空白和换行符。另外，你应该用一个否定的字符类替换每个[\d\D]*来使它更严格：

preg_match_all('#<a[^>]+href="\s*(http://url.co.uk/[^"]+)">([^<]+)</a>#'

您可能希望在等号前后应用更多\s*。 [^>]是忽略额外html属性的常用习惯用法，[^"]同样最适合匹配html属性，而[^<]则匹配不包含html标记的文本内容。

此外，此版本仅返回URL（不是完整标记）作为$ matches [1]，包含的文本作为$匹配[2]。

Answer 3

使用s选项获取。匹配所有字符。请参阅this。