Avoir un peu de maux de tête regex avec des liens divers et délimiteurs href (« et «)

Question

Donc, je veux faire correspondre les structures de lien ci-dessous avec un preg_match_all en php ..

<a garbage href="http://this.is.a.link.com/?query=this has invalid spaces" possible garbage> 
<a garbage href='http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage> 
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage> 
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters> 

je peux obtenir » et » urls deilmited un en faisant

'#<a[^>]*?href=("|\')(.*?)("|\')#is' 

ou je peux obtenir tous les trois, mais pas s'il y a des espaces dans les deux premiers avec:

'#<a[^>]*?href=("|\')?(.*?)[\s\"\'>]#is' 

Comment puis-je formuler ceci pour qu'il prenne "et" délimité avec des espaces potentiels, mais aussi des URL correctement encodées sans délimiteurs.

Answer 1

OK, cela semble fonctionner:

'#<a[^>]*?href=((["\'][^\'"]+["\'])|([^"\'\s>]+))#is' 

($ matches [1] contient les urls)

seul inconvénient est que les urls cités ont les citations encore, de sorte que vous devrez les décoller:

$first = substr($match, 0, 1); 
if($first == '"' || $first == "'") 
    $match = substr($match, 1, -1); 

Answer 2

EDIT: J'ai modifié cela pour travailler un peu mieux que ce que j'avais posté à l'origine.

Vous avez presque dans la seconde regex:

'#<a[^>]*?href=("|\')?(.*?)[\\1|>]#is' 

Renvoie le tableau suivant:

array(3) { 
    [0]=> 
    array(4) { 
    [0]=> 
    string(92) "<a garbage href="http://this.is.a.link.com/?query=this has invalid spaces" possible garbage>" 
    [1]=> 
    string(101) "<a garbage href='http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage>" 
    [2]=> 
    string(94) "<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage>" 
    [3]=> 
    string(77) "<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters>" 
    } 
    [1]=> 
    array(4) { 
    [0]=> 
    string(1) """ 
    [1]=> 
    string(1) "'" 
    [2]=> 
    string(0) "" 
    [3]=> 
    string(0) "" 
    } 
    [2]=> 
    array(4) { 
    [0]=> 
    string(74) "http://this.is.a.link.com/?query=this has invalid spaces" possible garbage" 
    [1]=> 
    string(83) "http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage" 
    [2]=> 
    string(77) "http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage" 
    [3]=> 
    string(60) "http://this.is.a.link.com/?query=no_spaces_but_no_delimiters" 
    } 
} 

Fonctionne avec ou sans délimiteurs.

Answer 3

Lorsque vous dites que vous voulez les faire correspondre, essayez-vous d'extraire des informations des liens, ou simplement de trouver des hyperliens avec un href? Si vous êtes seulement après ce dernier, cela devrait fonctionner très bien:

/<a[^>]*href=[^\s].*?>/ 

Answer 4

Utilisez un analyseur DOM. Vous ne pouvez pas analyser (x) HTML avec des expressions régulières.

$html = <<<END 
<a garbage href="http://this.is.a.link.com/?query=this has invalid spaces" possible garbage> 
<a garbage href='http://this.is.a.link.com/?query=this also has has invalid spaces' possible garbage> 
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters possible garbage> 
<a garbage href=http://this.is.a.link.com/?query=no_spaces_but_no_delimiters> 
END; 

$domd = new DOMDocument(); 
libxml_use_internal_errors(true); 
$domd->loadHTML($html); 
libxml_use_internal_errors(false); 

$items = $domd->getElementsByTagName("a"); 
foreach ($items as $item) { 
    var_dump($item->getAttribute("href")); 
} 

Answer 5

Comme @JasonWoof indiqué, vous devez utiliser une alternance intégrée: une alternative pour les URL cités, une pour non-cité. Je recommande également d'utiliser un groupe de capture pour déterminer quel type de citation est utilisé, comme @DanHorrigan l'a fait. Avec l'ajout d'une préanalyse négative ((?!\\2)) et quantificateurs possessifs (*+), vous pouvez créer une regex très robuste qui est aussi très rapide:

~ 
<a\\s+[^>]*?\\bhref= 
(
    (["'])   # capture the opening quote 
    (?:(?!\\2).)*+ # anything else, zero or more times 
    \\2    # match the closing quote 
| 
    [^\\s>]*+ # anything but whitespace or closing brackets 
) 
~ix 

See it in action on ideone. (Les antislashs doublés sont parce que le regex est écrit dans le forme d'un heredoc PHP, je préfèrerais utiliser un nowdoc, mais ideone est apparemment encore en cours d'exécution PHP 5.2.)