【问题标题】：PHP - Parse html to retrieve href from an "a" tag that is inside an other "a" tagPHP - 解析 html 以从另一个“a”标签内的“a”标签中检索 href
【发布时间】：2016-01-17 06:39:29
【问题描述】：

我已经搜索了几个小时（不应该有任何重复），并尝试了许多不同的方法，同时使用 regex（正则表达式）和 DOMdocument，但均未成功。

非标准 html 代码的样子：

<a class="SOMECLASS" href="javascript:__FUNCTION(SOME_HREF_INSIDE)" onclick="SOME_JS_FUNCTION();" id="SOME_ID" style="SOME_STYLE">
    <a href="SOME_URL_3">SOME TEXT</a>
</a>

现在的问题是我正在尝试获取 url “SOME_URL_3”，并且在使用正则表达式或 DOMdocument 进行解析时，只要遇到第一个 href，就会停止粘贴。当然，由于第二个“a”标签是第一个标签的一部分，解析器只将其视为一个。

我观察到浏览器在解析时似乎会自动分隔标签，如下所示：

之前：

<a href="SOME_URL">
    <a href="SOME_URL_2">
    </a>
</a>

之后：

<a href="SOME_URL">
</a>
<a href="SOME_URL_2">
</a>

我无法使用 php 复制此浏览器的行为。

我尝试过的更接近工作的方法：

$dom = new DOMDocument();
@$dom->loadHTML($result);

foreach($dom->getElementsByTagName('a') as $link) { 
    $href_count = 0;
    $attrs = array();

    for ($i = 0; $i < $link->attributes->length; ++$i) {
        $node = $link->attributes->item($i);
        if ($node->nodeName == "href") {
            $attrs[$node->nodeName][$href_count] = $node->nodeValue;
            $href_count++;
            if ($href_count >= 2) {
                echo "A second href has been found";
            }
        }
    }

    echo "<pre>";
    var_dump($attrs);
    echo "</pre>";
}

如您所料，不幸的是它不起作用，在这种情况下，我不会在这里寻求帮助......

请不要犹豫，分享您的知识，任何帮助或建议将不胜感激！

更新

我忘记在我最初的问题中指定答案仍应允许捕获标准 href。我的目标是“扩展”或“改进”我的实际 html 解析器，以确保我也从任何 href 中检索 url。我的初始代码仅使用 RegEx，我无法从嵌套的“a”标签中捕获第二个 href。一个完美的答案将允许捕获嵌套和标准 href。 Brandon White 的解决方案仅适用于嵌套 href，但使用两个不同的 RegEx（嵌套/标准）两次解析整个 html 内容会耗费资源。如果可能的话，理想的解决方案是允许同时捕获两者的 RegEx。

【问题讨论】：

为什么要嵌套锚标签？
不幸的是，我完全无法控制我正在阅读的内容，我可以向您保证这不是我练习的一部分。谢谢你的提问。
从技术上讲，您能不能不使用 REGEX 环视来捕获两个锚标记？进一步提取这两者并删除除了最终的href 值之外的所有值？
我实际上尝试了一些非常相似的方法，例如： if (substr_count($html, "href") > 1) { use a regex here to get the url } 但我使用这种方法的问题是我不确定如何从我的 foreach 循环中获取 $link 变量 raw html。（请参阅我的问题中的代码）如果我能帮上忙，您的想法可能会奏效。

标签： php html regex href domdocument

【解决方案1】：

我已经能够使用以下解决方案实现我的目标：

$result = <<<HTML
<a href="SOME_URL">
    <a href="SOME_URL_2">
    </a>
</a>

<a href="SOME_URL3">
    <a href="SOME_URL_4">
    </a>
</a>

<a href="SOME_URL_5">
</a>
<a href="SOME_URL_6">
</a>

HTML;

$dom = new DOMDocument();
@$dom->loadHTML($result);


foreach($dom->getElementsByTagName('a') as $link) {

    $tag_html = $dom->saveHTML($link); //Get tag inner html

    if (substr_count($tag_html, "href") > 1) { //If tag contains more than one href attribute
        preg_match_all('/href="([^"]*)"/is', $tag_html, $link_output, PREG_SET_ORDER);
        $output[] = $link_output[1][1]; //Output second href
    } else { //Not nested tag
        $output[] = $link->getAttribute('href'); //Output first href
    }
}

echo "<pre>".print_r($output)."</pre>";

输出：

array
(
    [0] => SOME_URL_2
    [1] => SOME_URL_4
    [2] => SOME_URL_5
    [3] => SOME_URL_6
)

此解决方案适用于具有混合和/或嵌套内容的整个 html 页面。它允许根据需要捕获尽可能多的嵌套href，同时仍捕获标准href“a”标签。

【讨论】：

【解决方案2】：

您实际上可以使用一些非常漂亮的 RegEx 来完成您的要求。使用 Negative Lookahead 和一些逻辑，您实际上可以完全提取嵌套的 href 位置。

示例

$result = <<<HTML
<a href="SOME_URL">
    <a href="SOME_URL_2">
    </a>
</a>

<a href="SOME_URL3">
    <a href="SOME_URL_4">
    </a>
</a>

<a href="SOME_URL5">
</a>
<a href="SOME_URL_6">
</a>

HTML;

preg_match_all('/<a.*>(?!<\/a>)\s*<a.*href\s*=\s*"(.+)"/', $result, $matches);

var_dump($matches);

说明

RegEx 在这些棘手的情况下非常方便。谢天谢地，不需要您在上面尝试的所有逻辑。您所需要的只是一些 RegEx 的逻辑和知识。我一直推荐的网站是RegExr。分析和构建有效的 RegEx 非常有帮助。其实这里有一个RegEx "Fiddle"的例子。

<a.*> 这匹配任何第一个锚标记
(?!<\/a>) 这是一个否定的前瞻——它会检查以确保后面有 NOT 一个结束锚标记。这确保它是一个嵌套的锚匹配。
\s* 匹配两个锚点之间的任何可能的空白。
<a.*href\s*=\s*"(.+)" 这匹配第二个锚标记，在 href 属性和 = 和值之间写有任何可能的空格。此外，(.+) 将 URL 放入 捕获组。使用preg_match_all() 函数，它将是$match 数组中的第二行。请参阅下面的示例输出。
另外请注意，它不会像上面的代码示例中那样提取非嵌套 URL。

代码输出

【讨论】：

嗨，布兰登，我刚刚发布了一个解决方案，同时我正在研究它。如您所见，我尚未接受任何答案。我没有测试你的，但似乎你对 RegEx 的经验比我更有经验。我看到您的解决方案比我的解决方案更轻，但可定制性较低。您认为您的解决方案在解析完整的 html 页面时可以同时使用嵌套和常规“a”标签吗？
它绝对可以与非嵌套一起使用，尽管您需要以两种方式之一对其进行更改。为标准锚标记重写一个不同的 RegEx 方程并单独运行它，或者将这两种类型封装在一个组中。当然，这是假设您希望将它们分开。您可以完全使用我上面给您的内容来尝试您正在做的事情。我想强调 RegEx 的用处，并建议您借此机会学习。
嗨，Brandon，是否有可能只使用一个修改过的 RegEx 版本来检索“a”标签内的所有href，要么有一个，要么有一个？如果这是可能的，我只需在之后应用某种逻辑来选择保留哪一个或全部保留。这将是完美的解决方案。请告诉我，您是 RegEx 艺术家。
是的，可以只使用一个正则表达式来执行此操作。虽然，您最初的问题是针对嵌套锚点。再说一次，如果我是你，我会把它当作一种学习经验来创造你想要做的事情。查看RegExr，尤其是左侧的“参考”选项卡。上面解释了所有必要的信息。 提示：您还需要查看非捕获组，以免弄乱您的阵列。
您好，Brandon，很遗憾，我正在进行一个项目，目前没有足够的时间来改进脚本的那部分。我知道仅使用 RegEx 可能会使代码更高效且消耗更少，但现在这不是我的第一要务。我仍然非常感谢您在此方面的努力和合作，非常感谢！如果我有足够的空闲时间，我应该有一天回来改进我的答案，并希望能拿出一个单行字。再次感谢，祝你愉快！