preg_match 与“.jpg”模式不准确答案

【问题标题】：Inaccurate preg_match with '.jpg' patternpreg_match 与“.jpg”模式不准确
【发布时间】：2011-10-19 05:36:00
【问题描述】：

我使用preg_match 和$pattern = '/src="http:\/\/(.*?).jpg"/s'; 模式从网页上抓取jpeg 图像的网址。但是，这还不够准确，因为它还抓取了http://www.domain.com/image.png"> Yadayada <img src="anotherpic.jpg。

其他时候，它会抓取像

这样的东西

http://maps.google.com/maps/api/staticmap?center=42.34,-71.18&amp;path=weight:4|42.338,-71.177|42.338,-71.183|42.342,-71.183|42.342,-71.177|42.338,-71.177&amp;zoom=15&amp;size=335x225&amp;sensor=false" width="280" height="188" alt=""></td></tr> <tr><td height="10"></td></tr></table></td></tr></table></td></tr><tr><td height="10 valign="> </td></tr><tr><td valign="top" background="http://www.coolapartments.info/img/java-footer_bg.jpg

如何改进模式以防止像上面 2 个示例那样不必要的匹配？

【问题讨论】：

可能值得一提：stackoverflow.com/questions/1732348/…
@erisco 不值得一提，因为有趣的答案是错误的。
丢弃发生的整个讨论的奇怪标准。
@erisco 没有人阅读发生的讨论。现在，该答案仅用于使用正则表达式问题解决所有解析 html。为此，我们有更好的规范。
哦，我明白了。然后看这里：stackoverflow.com/questions/3577641/…

标签： php regex screen-scraping preg-match

【解决方案1】：

将(.*?).jpg 替换为([^"]*)\.jpg 以避免跨越src 属性的双引号边界。 src="([^"]*)\.jpg" 甚至可以更通用，而不匹配 http。

【讨论】：

您可以限制字符类也不允许单引号或楔形括号。

【解决方案2】：

使用 DOM 和这个 XPath

//@src[contains(,. '.jpg')]

匹配某处包含字符串“.jpg”的元素的所有 src 属性。

如果属性应该以“.jpg”结尾，请使用

//@src[substring(., string-length(.) - 4) = '.jpg']

相当于 XPath 2.0 函数的结尾。

使用 DOM 和 XPath 的主要好处是它只会对 src 属性进行操作，而您的正则表达式可以匹配任何地方。这里有很多 DOM 和 XPath 的使用示例：

https://stackoverflow.com/search?q=xpath+OR+dom+php

【讨论】：