正则表达式来查找HTML字符串中的所有路径

我有一个字符串，带有htmlentities编码的HTML代码。正则表达式来查找HTML字符串中的所有路径

我想要做的就是找到文档中的所有路径之间：

HREF = “XXX”，SRC = “XXX”。

我确实有这种发现所有的环节开始通过HTTP，HTTPS，FTP和文件正则表达式的表情，又免得我遍历它：

"/\b(?:(?:https?|ftp|file):\/\/|www\.|ftp\.)[-A-Z0-9+&@#\/%=~_|$?!:,.]*[A-Z0-9+&@#\/%=~_|$]/i"

任何想法？

来源

2013-02-08 Bernat

为什么不试着在'href =“'和下一个'''之间找到一切？这将*更容易和*更少*容易出错。 – zerkms 2013-02-08 22:26:53

'href =“（[^”] *）怎么样？''是否允许在URL中？我认为空间实际上是...... – 2013-02-08 22:44:25

@P O'Conbhui：不允许使用空格，以及使用'“字符 – zerkms 2013-02-09 05:22:28

更新：用正则表达式做它是不可靠的。 src =“..”或href =“..”语句可以是评论或javascript语句的一部分。为了获得可靠的链接，我建议使用XPath：

<?php 

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string/14782594#14782594'); 
$doc = new DOMDocument(); 
@$doc->loadHTML($html); 
$selector = new DOMXPath($doc); 

$result = $selector->query('//a/@href | //@src'); 
foreach($result as $link) { 
    echo $link->value, PHP_EOL; 
}

如果使用正则表达式我会尽力抢=在href或src属性的"之间的内容。这里谈到一个例子，如何从使用正则表达式获得此链接页面：

<?php 

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string'); 

preg_match_all('/href="(?P<href>.*)"|src="(?P<src>.*)"/U', $html, $m); 
                 <--- note the U to make the 
                  pattern ungreedy 
var_dump($m['href']); 
var_dump($m['src']);

来源

2013-02-08 22:47:10 hek2mgl

你可以使用DOM来查找特定标签的所有链接。例如，要获得从锚标记网址，这样做（未经测试，但它应该指向你在正确的方向）：

function findPaths($url) 
{ 
    $dom = new DOMDocument(); 

    //$url of page to search, the "@' is there to suppress warnings 
    @$dom->loadHTMLFile($url) 

    $paths = array(); 
    foreach($dom->getElementsByTagName('a') as $path) 
    { 
    $paths[] = array('url' => $path->getAttribute('href'), text => $path->nodeValue); 
    } 
    return $paths; 
}

你可以使用XPath来加载和评估DOM使其更容易。

来源

2013-02-08 23:09:37 Jack

正则表达式来查找HTML字符串中的所有路径

回答

相关问题