如何使用正则表达式解析此HTML？

Question

我正在尝试编写一个正则表达式来从HTML源中提取URL列表的href和anchor文本。anchor文本可以是任何值。

HTML部分如下：

<div class="links"><a rel="nofollow" target="_blank" href="http://url1.com" class="get-all">URL1</a><a rel="nofollow" target="_blank" href="http://url2.com" class="get-all">This is Url-2</a><a rel="nofollow" target="_blank" href="http://url3.com" class="get-all">This is Url-3</a><a rel="nofollow" target="_blank" href="http://url4.com" class="get-all">Sweet URL 4</a></div>

我尝试了以下正则表达式，但它不起作用，因为它捕获了</a>标记之前的所有内容，并且失败了。

preg_match_('/<a rel="nofollow" target="_blank" href="(.*)" class="see-all">(.*)<\/a>/', $source , $website_array);

什么是一个有效的正则表达式来提取我需要的数据？

Answer 1

如果你一定要知道，这个表达式是贪婪的，所以它可能会匹配第一个锚点的开始和最后一个锚点的结束；/U修饰符将修复这一点：

preg_match('/<a rel="nofollow" target="_blank" href="(.*)" class="see-all">(.*)<\/a>/U', $source , $website_array);

请注意，适用于无贪婪模式。

使用前瞻集合可能会提供更好的性能：

preg_match('/<a rel="nofollow" target="_blank" href="([^"]*)" class="see-all">([^<]*)<\/a>/', $source , $website_array);

这将在锚点内部的标记方面遇到麻烦。

有了上述限制，我会认真考虑使用HTML解析器：

$d = new DOMDocument;
$d->loadHTML($source);
$xp = new DOMXPath($d);
foreach ($xp->query('//a[@class="see-all"][@rel="nofollow"][@target="_blank"]') as $anchor) {
    $href = $anchor->getAttribute('href');
    $text = $anchor->nodeValue;
}

这将很高兴以不同的顺序处理属性，并使您能够进一步查询内部，等等。

Answer 2

试一试

preg_match_all('/<a[^>]+href="([^"]+)"[^>]*>([^>]+)<\/a>/is', $source , $website_array);

它将匹配所有链接并返回一个包含信息的数组。备注：

^“-匹配除”之外的任何字符

Answer 3

虽然使用正则表达式解析HTML通常不是一个好主意(我建议查看DOMDocument类以获得更好的解决方案)，但在某些情况下可以使用它，在这种情况下，您对要提取的内容有非常明确的概念，并且可以确信在所有情况下，变量文本实际上不会破坏您的正则表达式。

对于您的情况，您可以尝试：

$pattern = '#<a rel="nofollow" target="_blank" href="(.*)" class="get-all">(.*)</a>#U';
preg_match_all($pattern, $source, $website_array);

注意末尾的不贪婪修饰符(U)。这对于只匹配可能的最小匹配非常重要。