正则表达式 - 查找匹配项中的匹配项答案

【问题标题】：Regex - Find the match that is inside a match正则表达式 - 查找匹配项中的匹配项
【发布时间】：2013-09-10 16:49:15
【问题描述】：

如果字符串是

<li>Your browser may be missing a required plug-in contained in <a href="http://get.adobe.com/reader/">Adobe Acrobat Reader</a>.  Please reload this page after installing the missing component.<br />If this error persists, you can also save a copy of <a href="test.pdf">

我写的正则表达式是

/href=.*?.pdf/

这会导致捕获第一个“href”并以“.pdf”结尾。我需要它从第二个 href 开始。换句话说，它应该只捕获以 .pdf 结尾的 href

我应该如何使用正则表达式来解决这个问题？

【问题讨论】：

不要使用正则表达式解析 HTML。使用适当的 HTML 解析模块。 您无法使用正则表达式可靠地解析 HTML，并且您将面临悲伤和挫败感。一旦 HTML 与您的期望发生变化，您的代码就会被破坏。请参阅htmlparsing.com/php 或this SO thread，了解如何使用已经编写、测试和调试过的 PHP 模块正确解析 HTML。

标签： php regex html-parsing

【解决方案1】：

你可以试试这个正则表达式：

/href=[^>]+\.pdf/

regex101 demo

大多数时候，当你可以避免 .* 或 .+（或它们的惰性版本）时，它会更好:)

另外，不要忘记转义句号。

【讨论】：

【解决方案2】：

您应该使用 DOM 而不是使用正则表达式来解析 HTML 或 XML。在 PHP 中有 DOMDocument 类：

$doc = new DOMDocument();
$doc->loadHTML('<li>Your browser may be missing a required plug-in contained in <a href="http://get.adobe.com/reader/">Adobe Acrobat Reader</a>.  Please reload this page after installing the missing component.<br />If this error persists, you can also save a copy of <a href="http://www.police.vt.edu/VTPD_v2.1/crime_stats/crime_logs/data/VT_2011-01_Crime_Log.pdf">');

$links = $doc->getElementsByTagName('a');
foreach($links as $link) {
    echo $link->getAttribute('href');
}

【讨论】：

问题是有时我需要从 Javascript 中获取链接。（即 document.location.href...）
javascript 也有 dom 方法
在浏览器中，更简单：只需依赖document.links。