正则表达式查找 HTML 字符串中的所有路径答案

【问题标题】：Regex expression to find all paths in a HTML string正则表达式查找 HTML 字符串中的所有路径
【发布时间】：2013-02-08 22:24:05
【问题描述】：

我有一个字符串，带有一个 htmlentities 编码的 HTML 代码。

我想要做的是找到所有文档中的路径，介于：

href="XXX", src="XXX"。

我确实有一个正则表达式，可以找到所有以 http、https、ftp 和文件开头的链接，以免我重复它：

"/\b(?:(?:https?|ftp|file):\/\/|www\.|ftp\.)[-A-Z0-9+&@#\/%=~_|$?!:,.]*[A-Z0-9+&@#\/%=~_|$]/i"

有什么想法吗？

【问题讨论】：

为什么不尝试查找href=" 和下一个" 之间的所有内容？这将更加更容易并且更少容易出错。
href="([^" ]*)" 怎么样？ URL 中是否允许使用 "？我认为空格实际上是......
@P O'Conbhui：不允许使用空格，以及" 字符

标签： php html regex

【解决方案1】：

更新：使用正则表达式并不可靠。 src=".." 或 href=".." 语句可以是注释或 javascript 语句的一部分。为了获得可靠的链接，我建议使用 XPath：

<?php

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string/14782594#14782594');
$doc = new DOMDocument();
@$doc->loadHTML($html);
$selector = new DOMXPath($doc);

$result = $selector->query('//a/@href | //@src');
foreach($result as $link) {
    echo $link->value, PHP_EOL;
}

如果使用正则表达式，我会尝试抓取 href 或 src 属性的 = " 之间的内容。下面是一个如何使用正则表达式从 this 页面获取链接的示例：

<?php

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string');

preg_match_all('/href="(?P<href>.*)"|src="(?P<src>.*)"/U', $html, $m);
                                                        <--- note the U to make the 
                                                             pattern ungreedy
var_dump($m['href']);
var_dump($m['src']);

【讨论】：

【解决方案2】：

您可以使用 DOM 来查找特定标签中的所有链接。例如，要从锚标签中获取 url，请执行以下操作（未经测试，但它应该为您指明正确的方向）：

function findPaths($url)
{
   $dom = new DOMDocument();

   //$url of page to search, the "@' is there to suppress warnings
   @$dom->loadHTMLFile($url) 

   $paths = array();
   foreach($dom->getElementsByTagName('a') as $path)
   {
     $paths[] = array('url' => $path->getAttribute('href'), text => $path->nodeValue);
   }
   return $paths;
}

您可以更轻松地使用 XPath 加载和评估 DOM。

【讨论】：