通用HTML標准超鏈接參數取得正則表達式測試
因為最近要做一個類似專業搜索引擎的東西，需要抓取網頁的所有超鏈接。
大家幫忙測試一下子，下面的代碼是否可以針對所有的標准超鏈接。
測試代碼如下：
<?php
// --------------------------------------------------------------------------
// File name : Noname1.php
// Description : 通用鏈接參數獲取正則表達式測試
// Requirement : PHP4 (http://www.php.net)
// Copyright(C), HonestQiao, 2005, All Rights Reserved.
// Author: HonestQiao ([email protected])
// 參數說明:
// $strSource: 包含標准鏈接的HTML網頁
// $strResult: 處理的結果
// 附加說明:
// 標准鏈接，使用<a></a>形勢包含的鏈接
// --------------------------------------------------------------------------
$strSource = <<<HTML
<a href=1.htm>t1</a>
<a href='2.htm'>t2</a>
<a href="3.htm">t3</a>
<a href=4.htm class=link>t4</a>
HTML;
preg_match_all('/<a.*?(?: |\\t|\\r|\\n)?href=[\'"]?(.+?)[\'"]?(?:(?: |\\t|\\r|\\n)+.*?)?>(.+?)<\/a.*?>/sim', $strSource, $strResult, PREG_PATTERN_ORDER);
for($i = 0; $i < count($strResult[1]); $i++)
{
printf("%d href=(%s) title=(%s) \n", $i, $strResult[1][$i], $strResult[2][$i]);
}
?>
如果您的測試數據，符合標准鏈接，但是此處沒有被處理出來，請告訴我測試數據，以及你的測試環境。
謝謝。
也歡迎提供任何怪異的超鏈接，不過使用javascript來打開鏈接的除外。
[
本帖最後由 HonestQiao 於 2005-11-6 21:29 編輯 ]
ydlhero 回復於：2005-11-06 17:44:26版大 很多我看不懂 可否提供 正則表達方法的一些資料
我知道手冊有點 但那點點遠遠不夠^_^
HonestQiao 回復於：2005-11-06 18:37:41http://www.pcre.org/
如果要深究，可以查看這裡。
太深奧而其表達也太過於簡略，無法用通俗的語言去表達和解釋。
cloudchen 回復於：2005-11-06 20:27:41匹配總是不能做到適應任何情況的，只要能適應一些常見的標記方法就OK了，否則不是一個正則能搞定的，浏覽器在分析html標記時極其錯誤的寫法也就忽略
這個有個問題asdfhref="1.htm"這也能獲取到不太合適把，這樣就不成獲取屬性了，得改改
HonestQiao 回復於：2005-11-06 21:18:40引用：
原帖由 cloudchen 於 2005-11-6 20:27 發表
匹配總是不能做到適應任何情況的，只要能適應一些常見的標記方法就OK了，否則不是一個正則能搞定的，浏覽器在分析html標記時極其錯誤的寫法也就忽略
這個有個問題asdfhref="1.htm"這也能獲取到不太合 ... 等一下子我在修改，嘿嘿。
[
本帖最後由 HonestQiao 於 2005-11-6 21:24 編輯 ]
HonestQiao 回復於：2005-11-06 21:21:36已經修正了，作為：
preg_match_all('/<a.*?(?: |\\t|\\r|\\n)?href=[\'"]?(.+?)[\'"]?(?:(?: |\\t|\\r|\\n)+.*?)?>(.+?)<\/a.*?>/sim', $strSource, $strResult, PREG_PATTERN_ORDER);
[
本帖最後由 HonestQiao 於 2005-11-6 21:29 編輯 ]
litie123 回復於：2005-11-06 21:57:02<a href="so.php?id>gfgfd">這個有問題</a>
笨狗 回復於：2005-11-07 08:23:00如果不是一定要用php的話
偶推薦用perl的HTML::TokeParser
很好用D
HonestQiao 回復於：2005-11-07 08:44:23引用：
原帖由 笨狗 於 2005-11-7 08:23 發表
如果不是一定要用php的話
偶推薦用perl的HTML::TokeParser
很好用D 用perl很簡單，作這個。
不果現在用php.
HonestQiao 回復於：2005-11-07 08:45:31引用：
原帖由 litie123 於 2005-11-6 21:57 發表
<a href="so.php?id>gfgfd">這個有問題</a> 啊，這也夠BT的啊。
langyufeng 回復於：2005-12-01 16:54:14引用：
原帖由 HonestQiao 於 2005-11-7 08:45 發表
啊，這也夠BT的啊。 唉
先replace掉"就好拉
Haohappy 回復於：2005-12-01 21:43:44供參考呵呵。
preg_match_all("'<\s*a\s.*?href\s*=\s* # find <a href=
([\"\'])? # find single or double quote
(?(1) (.*?)\\1 | ([^\s\>]+)) # if quote found, match up to next matching
# quote, otherwise match up to next space
'isx", $document, $links);
giant35 回復於：2006-07-08 19:14:04<a.*?\s*href\s*=[\'"]?(.+?)[\'"].*?>(.+?)</a
