PHP regexp (preg_match_all) - 查找所有独立链接

Question

我的文本格式为：

Txx8xxTT<br><br><br>https://wwww.xxx.com<br><br />
<br />cxyc[link=http://www.example.com]link[/odkaz]
xxx<a href="http://www.example2.com">link2</a>

我想使用 preg_match_all 解析它，在结果数组中，所有独立链接都位于单独的索引处。在示例情况下，我想要这样的东西：

[0] => Txx8xxTT<br><br><br>
[1] => https://wwww.xxx.com
[2] => <br><br />
    <br />cxyc[link=http://www.example.com]link[/odkaz]
    xxx<a href="http://www.example2.com">link2</a>

（数组的格式可以不同，我不关心索引，但我希望单独的链接在它自己的索引处）

我尝试将preg_match_all 与(.[^ \<\[]*) 一起使用。它几乎可以工作，但我在索引 [3] 处得到的结果为 <br>https://wwww.xxx.com，我不想要 <br> 前缀。

[0] => Txx8xxTT
[1] => <br>
[2] => <br>
[3] => <br>https://wwww.xxx.com
[4] => <br>
[5] => <br
[6] =>  /> 
[7] => <br
[8] =>  />cxyc
[9] => [link="http://www.example.com"]link
[10] => [/odkaz]xxx
[11] => <a
[12] =>  href="http://www.example2.com">link2
[13] => </a>

Answer 1

可能最好：

1. 通过 HTML / DOM 解析器解析您的输入
2. 使用 DOM / XPath 查找文本节点
3. 使用正则表达式提取 URL

可以在此处找到 1 和 2 的示例： https://stackoverflow.com/a/6399988/406712

然后，对于您的正则表达式，请考虑“否定后向”以排除以“[link=":

开头的链接”

使用

preg_match_all('/(?<!\[link=)\bhttps?:\/\/[-A-Z0-9+&@#\/%?=~_|!:,.;]*[A-Z0-9+&@#\/%=~_|]/i', $subject, $result, PREG_PATTERN_ORDER);
for ($i = 0; $i < count($result[0]); $i++) {
    # Matched text = $result[0][$i];
}

正则表达式

(?<!\[link=)\bhttps?://[-A-Z0-9+&@#/%?=~_|!:,.;]*[A-Z0-9+&@#/%=~_|]

可视化

PS。如果您要修改 HTML 输入，请使用 DOM 方法来完成。

Answer 2

请参阅我上面的评论，解释使用正则表达式解析 html 的可怕之处。这确实不是最好的方法。 DOMDocument 可能是一个更好的主意。

如果你只想要一个链接数组，你可以试试这个。不过我什么都不保证。

#https?:\/\/[a-z1-9\.]+#

这会返回：

Match 1
Full match  20-40   https://wwww.xxx.com
Match 2
Full match  67-89   http://www.example.com
Match 3
Full match  115-138 http://www.example2.com

https://regex101.com/r/Sh5CTa/1

更新 既然你不想要 href= 或 link=，你可以试试这个？

#>(?<link>https?:\/\/[a-z1-9\.]+)<#

它使用一个命名的捕获组，所以它是 $matches['link']

https://regex101.com/r/Sh5CTa/2