用于从 HTML 中提取所有链接和锚文本的正则表达式

Question

我想要一个或多个正则表达式，它可以：

1) 取大页面的html。

2) 查找所有链接中包含的url，例如：

<a href="http://example1.com">Test 1</a>
<a class="foo" id="bar" href="http://example2.com">Test 2</a>
<a onclick="foo();" id="bar" href="http://example3.com">Test 3</a>

等等，它应该提取包含在'href'attribute中的url，不管href之前或之后是什么

3) 提取所有链接的锚文本，例如在上面的例子中，它应该返回'http://example1.com'和锚文本'Test 1'，然后是'http://example2.com ' 和 'Test 2' 等等。

Answer 1

试试这样的：

//not tested
$regex_pattern = "/<a href=\"(.*)\">(.*)<\/a>/";

Answer 2

/<a[^>]+href\s*=\s*["']([^"']+)["'][^>]*>(.*?)<\/a>/mis

Answer 3

你需要看看look ahead and look behind。

<?php

$string = '<a href="http://example1.com">Test 1</a>
<a class="foo" id="bar" href="http://example2.com">Test 2</a>
<a onclick="foo();" id="bar" href="http://example3.com">Test 3</a>';

if(preg_match_all("|<a.*(?=href=\"([^\"]*)\")[^>]*>([^<]*)</a>|i", $string, $matches))
        {
        /*** if we find the word white, not followed by house ***/
        echo 'Found a match';
        print_r($matches);
    }
else
        {
        /*** if no match is found ***/
        echo 'No match found';
        }
?>

Answer 4

<?

$dom = new DomDocument();
$dom->loadHTML($html);
$urls = $dom->getElementsByTagName('a');

Answer 5

就使用 RegEx 从 HTML 中提取链接而言，这个非常强大：

\b(((src|href|action|url) *(=|:) *(?<mh>"|'|))(?<url>[\w ~$!*'/.?=#&@:%+,();\-\[\]]+)\k<mh>|url *\( *(?<mc>"|'|)(?<url>[\w ~$!*'/.?=#&@:%+,();\-\[\]]+)\k<mc>\))

这是一个从 HTML 文档中提取所有“纯”文本（即标签外的内容）的方法：

(<(?<tag>script|style)[\s\S]*?</\k<tag>>)|<!--[\s\S]*?-->|<[\s\S]*?>|(?<text>[^<>]*)

在这里测试它们：http://www.martinwardener.com/regex

Answer 6

<?php
$regexp = "<a\s[^>]*href=(\"??)([^\" >]*?)\\1[^>]*>(.*)<\/a>";
if(preg_match_all("/$regexp/siU", $html, $matches, PREG_SET_ORDER))
{ foreach($matches as $match)
{// $match[2] = link address
// $match[3] = link text}
}
?>

这将提取链接和锚文本。