解析 HTML 源代码以提取 Anchor 和 Link 标签的 href 值答案

【问题标题】：Parsing HTML Source to extract Anchor and Link tags href value解析 HTML 源代码以提取 Anchor 和 Link 标签的 href 值
【发布时间】：2011-03-22 20:37:37
【问题描述】：

我正在寻找一些 PHP 中的 HTML Parser，它可以帮助我从 html 源代码中提取 href values。

我查看了phpQuery 和它最好的，但它对我的需求来说太过分了，而且需要大量 CPU 来做我不需要的额外工作。

我也查了

$dom = 新的 DomDocument();
$dom->loadHTML($html);

但它在解析HTML5标签时有问题。

有没有更好的library/class 或方法来做到这一点？

【问题讨论】：

您是否仅从锚和链接标签中提取href？在这种情况下，为什么 HTML5 标签会影响您？你看过 DOMXPath 吗？
@tandu, loadHTML 实际上是针对 HTML4 进行验证的。尝试使用 HTML5 标记（如 <section>）会导致警告。也就是说，当我测试它时，它似乎确实使标签可查找和可序列化。

标签： php html-parsing

【解决方案1】：

好吧，你可以使用正则表达式来提取数据：

$html = "This is some stuff right here. <a href='index.html'>Check this out!</a> <a href=herp.html>And this is another thing!</a> <a href=\"derp.html\">OH MY GOSH</a>";
preg_match_all('/href=[\'"]?([^\s\>\'"]*)[\'"\>]/', $html, $matches);
$hrefs = ($matches[1] ? $matches[1] : false);
print_r($hrefs);

【讨论】：

非常感谢。我进一步使它不区分大小写并添加了额外的(a|link)+ 用于仅解析它们和空格的异常，这似乎不是完整的解决方案/\s*(a|link)+\s*href=[\'"]?([^\s\>\'"]*)[\'"\>]/i
只是一个警告：这不会验证<a class="whatever" href="mypage.htm">...</a>

【解决方案2】：

simplehtmldom 是一个方便的 PHP HTML 解析类

http://simplehtmldom.sourceforge.net/

【讨论】：

【解决方案3】：

我用过这个--

$html = '<a href="http://google.com"><img src="images/a.png" /></a>';
preg_match('/href="([^\s"]+)/', $html, $match);
echo '<pre>';
print_r($match);

【讨论】：