获取urls的正则表达式

Question

我有几个网页要解析，并且有如下链接

<a href="/news/monde/0,,3204267-VU5WX0lEIDUy,00.html" class="S48">Jean-Paul II opéré "avec succès" (24/02/2005)</a>

<a href="javascript:VerifCookie('4','/news/economie/0,,3204461-VU5WX0lEIDUy,00.html',700,600,52);" class="S48">Que peut-il se passer si le pape est incapable d'assurer sa tâche ? (24/02/2005)</a>

正如你所看到的，第二个有一个领先的JavaScript的东西，我想摆脱它，并与第一个类型兼容。所以我用perl写了一个正则表达式：

/<a href="[^\/]*?([^<']+?)[^"]*?" class="S48">([^<>]+?)<\/a>/

捕获没有javascript内容的URL部分，以及标题部分。但是这个正则表达式对我来说只占标题部分，url只取"/“或"j”。

有什么建议吗？

Answer 1

此正则表达式：

!<a\s*href\s*=\s*".*?(/.*\.html).*"\s+class="S48">([^<>]+?)</a>!i

应用于您的输入将为组1生成以下结果：

/news/monde/0,,3204267-VU5WX0lEIDUy,00.html
/news/economie/0,,3204461-VU5WX0lEIDUy,00.html

对于组2，这些是：

Jean-Paul II opéré "avec succès" (24/02/2005)
Que peut-il se passer si le pape est incapable d'assurer sa tâche ? (24/02/2005)

当然，这适用于您的特定输入。我强烈建议避免使用.xml，.html，.xsl等的正则表达式。有更多更好的工具来完成这项工作。

同样短得多的版本：

/.*?(\/.*\.html).*?>([^<]+)/i

都会产生相同的结果。