(PHP) 用于查找特定 href 标记的正则表达式

Question

我有一个带有 n 个“a href”标签的 html 文档，这些标签具有不同的目标 url 和标签之间的不同文本。

例如：

<a href="http://www.example.com/d?12345abc" name="example"><span ....>lorem ipsum</span></a>
<a href="http://www.example.com/d/d?abc1234" name="example2"><span ....>example</span></a>
<a href="http://www.example.com/d.1234" name="example3">example3</a>
<a href="http://www.example.com/d/d.1234" name="example4"><img ...>test</img></a>
<a href="http://www.example.com/without_d/1234" name="example3">without a d as target url</a>

如您所见，目标网址在“d?, d., d/d?, d/d.”之间切换。在“a 标签”之间可以有 w3c 允许的任何类型的 html。

我需要一个正则表达式，它为我提供在目标 url 中具有以下组合之一的所有链接： “d?，d.，d/d?，d/d。”并且在任何位置的“a标签”之间有“Lorem”或“test”，包括子html标签。

到目前为止我的正则表达式：

href=[\"\']([^>]*?/[d]+[.|\?][^"]*?[\"\'][^>]*[/]?>.*?</a>)

我尝试如下包含 lorem / 测试：

href=[\"\']([^>]*?/[d]+[.|\?][^"]*?[\"\'][^>]*[/]?>(lorem|test)+</a>)

但这只有在我输入“。*？”时才有效。在 (lorem|test) 之前和之后，这将是贪婪的。

如果 SimpleXml 或任何其他 DOM 解析器有更简单的方法，请告诉我。否则，我将不胜感激任何有关正则表达式的帮助。

谢谢！

Answer 1

给你：

$html = array
(
    '<a href="http://www.example.com/d?12345abc" name="example"><span ....>lorem ipsum</span></a>',
    '<a href="http://www.example.com/d/d?abc1234" name="example2"><span ....>example</span></a>',
    '<a href="http://www.example.com/d.1234" name="example3">example3</a>',
    '<a href="http://www.example.com/d/d.1234" name="example4"><img ...>test</img></a>',
    '<a href="http://www.example.com/without_d/1234" name="example3">without a d as target url</a>',
);

$html = implode("\n", $html);
$result = array();
$anchors = phXML($html, '//a[contains(., "lorem") or contains(., "test")]');

foreach ($anchors as $anchor)
{
    if (preg_match('~d[.?]~', strval($anchor['href'])) > 0)
    {
        $result[] = strval($anchor['href']);
    }
}

echo '<pre>';
print_r($result);
echo '</pre>';

输出：

Array
(
    [0] => http://www.example.com/d?12345abc
    [1] => http://www.example.com/d/d.1234
)

phXML() 函数是based on my DOMDocument / SimpleXML wrapper，如下：

function phXML($xml, $xpath = null)
{
    if (extension_loaded('libxml') === true)
    {
        libxml_use_internal_errors(true);

        if ((extension_loaded('dom') === true) && (extension_loaded('SimpleXML') === true))
        {
            if (is_string($xml) === true)
            {
                $dom = new DOMDocument();

                if (@$dom->loadHTML($xml) === true)
                {
                    return phXML(@simplexml_import_dom($dom), $xpath);
                }
            }

            else if ((is_object($xml) === true) && (strcmp('SimpleXMLElement', get_class($xml)) === 0))
            {
                if (isset($xpath) === true)
                {
                    $xml = $xml->xpath($xpath);
                }

                return $xml;
            }
        }
    }

    return false;
}

我现在懒得不使用这个功能了，但如果你需要，我相信你可以摆脱它。

Answer 2

这是一个有效的正则表达式：

$search = '/<a\s[^>]*href=["\'](?:http:\/\/)?(?:[a-z0-9-]+(?:\.[a-z0-9-]+)*)\/(?:d\/)?d[?.].*?>.*?(?:lorem|test)+.*?<\/a>/i';
$matches = array();
preg_match_all($search, $html, $matches);

唯一的问题是它依赖于每个`标签之间有一个换行符。否则它将匹配如下内容：

<a href="http://www.example.com/d.1234" name="example3">example3</a><a href="http://www.example.com/d/d.1234" name="example4"><img ...>test</img></a>

Answer 3

使用 HTML 解析器。 Regex 绝对不是解析 HTML 的解决方案有很多原因。

这里有一个很好的列表： Robust and Mature HTML Parser for PHP

Answer 4

将只打印第一个和第四个链接，因为满足两个条件。

preg_match_all('#href="(.*?)"(.*?)>(.*?)</a>#is', $string, $matches);
$count = count($matches[0]);
unset($matches[0], $matches[2]);

for($i = 0; $i < $count; $i++){

    if(
        strpos($matches[1][$i], '/d') !== false 
        &&
        preg_match('#(lorem|test)#is', $matches[3][$i]) == true
    )
    {
        echo $matches[1][$i];    
    }

}