使用 PHP 匹配特定的 URL 模式

Question

我正在尝试读取 HTML 文件并捕获与特定 URL 模式匹配的所有锚标记，以便在另一个页面上显示这些链接。模式如下所示：

https://docs.google.com/file/d/aBunchOfLettersAndNumbers/edit?usp=drive_web

我对 RegEx 不满意。我已经尝试了很多东西，并在 Stack Overflow 上阅读了很多答案，但我没有找到正确的语法。

这是我现在拥有的：

preg_match ('/<a href="https:\/\/docs.google.com\/file\/d\/(.*)<\/a>/', $file, $matches)

当我在一个带有两个匹配锚标记的 HTML 页面上进行测试时，第一个结果包括第一个和第二个匹配以及介于两者之间的所有内容，而第二个结果包括第一个匹配的一部分、第二个匹配的一部分以及所有内容介于两者之间。

虽然我很乐意捕获匹配的锚标记以及内部 HTML，但如果我可以生成一个多维数组，其中包含每个匹配的锚标记的 HREF 属性以及匹配的内部 HTML (所以我可以自己格式化链接，而不必使用更多的正则表达式来删除不需要的属性）。我会为此使用 preg_match_all 吗？那会是什么样子？

我是不是走在正确的道路上，还是应该使用 DOM 和 XPath 查询来查找这些东西？

谢谢。

Answer 1

哦，天哪，我不敢相信这里的每个答案都使用“/”分隔符。如果您的模式中有斜线，请使用其他内容以提高可读性。

这是一个更好的答案（如果您的锚点可能具有除 href 之外的其他属性，您可能需要调整）：

$hrefPattern = "(?P<href>https://docs\.google\.com/file/d/[a-z0-9]+/edit\?usp=drive_web)";
$innerPattern = "(?P<inner>.*?)";
$anchorPattern = "<a href=\"$hrefPattern\">$innerPattern</a>";
preg_match_all("@$anchorPattern@i", $file, $matches);

这会给你类似的东西：

[
    0 => ['<a href="https://docs.google.com/file/d/foo/edit?usp=drive_web"><span>More foo</span></a>'],
    "href" => ["https://docs.google.com/file/d/foo/edit?usp=drive_web"],
    "inner" => ["<span>More foo</span>"]
]

当然，您应该为此使用 DOM。

Answer 2

将(.*) 替换为(.*?) - 使用惰性量化：

preg_match('/<a href="https:\/\/docs.google.com\/file\/d\/(.*?)<\/a>/', $file, $matches);

Answer 3

您可以使用以下正则表达式：

/<a.*?href="(https:\/\/docs\.google\.com\/file\/d\/.*?)".*?>(.*?)<\/a>/

这将为您提供来自 href 和 innerHTML 的 URL。

分解

<a.*?href=" 匹配开头的a 标记和直到href=" 之前的任何字符

(https:\/\/docs\.google\.com\/file\/d\/.*?)" 匹配（并捕获）直到href 结束（即直到"

.*?> 匹配a 标记> 末尾的所有字符

(.*?)<\/a> 匹配（并捕获）innerHTML 直到结束 a 标记（即</a>）。

Answer 4

戴夫，

DOM 会更好。但这是有效的正则表达式。

$url = 'href="https://docs.google.com/file/d/aBunchOfLettersAndNumbers/edit?usp=drive_web"';

preg_match ('/href="https:\/\/docs.google.com\/file\/d\/(.*?)"/', $url, $matches);

结果：

array (size=2)
    0 => string 'href="https://docs.google.com/file/d/aBunchOfLettersAndNumbers/edit?usp=drive_web"' (length=82)
    1 => string 'aBunchOfLettersAndNumbers/edit?usp=drive_web' (length=44)

您可以使用 html 标记，但最重要的是，在您的问题中，您在 preg_match 行中的代码不包含开始标记的结尾 >，这会将其丢弃，并且需要 (.? ) 而不是 (.)。添加的 ?告诉它寻找任何数量未知的字符。 (.*) 表示我相信的任何一个字符。