用正则表达式替换锚href值

Question

我正在尝试通过在 href 值之前添加我的网站的 url 来替换网页中锚元素的所有 href 值。

在您建议 XML/HTML 解析器之前，请知道我尝试了其中的一堆，并且它们做得很好，但是对于我尝试解析的某些网站来说，它们都返回的 HTML 简直是一团糟。这可能与首先编写的损坏的 html 有关，但由于我无法控制它，因此正则表达式是这里唯一的方法。所以我想出了这个代码：

$response = '<h2><a href="http://www.google.com/test">Link</a></h2>';
$pattern = "/(<a .*?href=\"|')([^\"'#]+)(.*?<\/a>)/i";
$response = preg_replace_callback($pattern, 'html_href',  $response);
function html_href($matches) {
    return  $matches[1] . "http://example.com/" . $matches[2] .  $matches[3];
}

它实际上将$response 更改为：

<h2><a href="http://example.com/http://www.google.com/test">Link</a></h2>

太好了。但后来我发现这个正则表达式也匹配这个：

$response = "var href = $(this).attr('rel'); $(this).replaceWith('<a href=\"' + decodeURL(href) + '\"><span>' + anchor+ '</span></a>');";
$pattern = "/(<a .*?href=\"|')([^\"'#]+)(.*?<\/a>)/i";
$response = preg_replace_callback($pattern, 'html_href',  $response);
function html_href($matches) {
        return  $matches[1] . "http://example.com/" . $matches[2] .  $matches[3];
 }

这里 $response 变成：

var href = $(this).attr('http://example.com/rel'); $(this).replaceWith('<a href="' + decodeURL(href) + '"><span>' + anchor+ '</span></a>');

我不太明白，这个里面的attr()方法怎么会匹配替换呢？这个正则表达式模式不应该只匹配以 <a 开头的字符串的一部分吗？我想避免匹配 javascript 中的内容...

Answer 1

只是一些常见的方法：

• 首选<a\s+而不是<a␣

• 此后使用[^<>]* 而不是.*? 进行标签内属性跳过。 （这可能是它在其他地方超匹配 JavaScript 的主要原因。）

• 当您想允许 " 或 ' 使用字符类 [\"\'] 时，就像您在中间所做的那样。

• 例如，更严格地匹配 href= 内容与 ([^<\"\'>]+)。

• 然后确保随后出现另一个[\"\']。

• 并用[^<>]*> 断言<a 标记的结尾（这可能是不匹配所需标记/链接的另一个主要原因）。

再次使用[^<>]+ 作为链接文本，如果这与您的输入html 一致的话。 专业提示：尽可能以崇高的/x 表示法编写此类正则表达式模式。

Answer 2

试试这个

PHP

$re = "/(<a.*href=)[\"'](.*)[\"']/m";
$str = "<h2><a href=\"http://www.google.com/test\">Link</a></h2>2014-54-22 22:23";
$subst = "\1\"http://example.com/\2\"";

$result = preg_replace($re, $subst, $str);

live demo