萬盛學電腦網

您现在的位置: 萬盛學電腦網 >> 程式設計 >  >> 網路程式設計 >> PHP 程式設計

PHP 正則提取超鏈接:從檢測到解析的完整方案

場景一:檢測字符串是否包含超鏈接

<?php
$str = "ssdsf<a target='_blank' href='https://www.example.com/' >sdf</a>sdfss";

if (preg_match('/<a\s+href=[^>]*>/i', $str)) {
    echo "包含超鏈接標記";
} else {
    echo "無超鏈接標記";
}

正則解析: <a\s+href=[^>]*> 匹配 <a 後跟空白、href=、任意非 > 字符、最後 >。i 忽略大小寫。

場景二:提取/替換 href 屬性值

<?php
$html = "<a href='www.example.com'>鏈接1</a><a href='www.test.com'>鏈接2</a>";

// 正則:(?<=href=) 正向後顧斷言,匹配 href= 之後
//        ([^>]*)     捕獲組:任意非 > 字符
//        (?=>)      正向前顧斷言,匹配 > 之前
$pattern = '/(?<=href=)([^>]*)(?=>)/i';

// 替換為 #(去除所有鏈接)
echo preg_replace($pattern, '#', $html);
// 輸出:<a href='#'>鏈接1</a><a href='#'>鏈接2</a>

// 提取所有鏈接地址
preg_match_all($pattern, $html, $matches);
print_r($matches[1]);
/*
Array
(
    [0] => 'www.example.com'
    [1] => 'www.test.com'
)
*/

場景三:完整提取 <a> 標簽信息(URL + 鏈接文本)

<?php
function match_links(string $document): array {
    // 正則詳解:
    // '<\s*a\s.*?href\s*=\s*([\'"])?      # (組3)
    // [^>]*>                             # 剩餘屬性直到 >
    // (.*?)                               # 鏈接文本(組4),非貪婪
    // </a>'isx                           # 結束標簽,i忽略大小寫 s單行模式 x忽略空白
    $pattern = '<\s*a\s.*?href\s*=\s*([\'"])?(?(1)(.*?)\1|([^\s>]+))[^>]*>?(.*?)</a>';

    preg_match_all($pattern, $document, $links);

    $result = ['link' => [], 'content' => [], 'all' => []];

    // 組2:帶引號的 URL
    foreach ($links[2] as $val) {
        if ($val !== '') $result['link'][] = $val;
    }
    // 組3:不帶引號的 URL
    foreach ($links[3] as $val) {
        if ($val !== '') $result['link'][] = $val;
    }
    // 組4:鏈接文本
    foreach ($links[4] as $val) {
        if ($val !== '') $result['content'][] = trim($val);
    }
    // 組0:完整標簽
    foreach ($links[0] as $val) {
        if ($val !== '') $result['all'][] = $val;
    }

    return $result;
}

// 測試
$html = '<a href="https://a.com">站點A</a> 中間文字 <a href=\'https://b.com\' class="btn">站點B</a>';
print_r(match_links($html));

輸出結構示例

Array
(
    [link] => Array
        (
            [0] => https://a.com
            [1] => https://b.com
        )
    [content] => Array
        (
            [0] => 站點A
            [1] => 站點B
        )
    [all] => Array
        (
            [0] => <a href="https://a.com">站點A</a>
            [1] => <a href='https://b.com' class="btn">站點B</a>
        )
)

進階:DOMDocument 解析(更健壯)

正則處理 HTML 存在邊界情況(屬性換行、單雙引號混用、巢狀標簽)。生產環境推薦用 DOMDocument:

<?php
function extractLinksDom(string $html): array {
    libxml_use_internal_errors(true);
    $dom = new DOMDocument();
    $dom->loadHTML('<?xml encoding="UTF-8"?>' . $html, LIBXML_HTML_NOIMPLIED | LIBXML_HTML_NODEFDTD);
    libxml_clear_errors();

    $links = [];
    foreach ($dom->getElementsByTagName('a') as $a) {
        $href = $a->getAttribute('href');
        $text = trim($a->textContent);
        if ($href !== '') {
            $links[] = ['url' => $href, 'text' => $text];
        }
    }
    return $links;
}

正則性能優化提示

  • 使用 S (study) 修飾符:/pattern/Is,預編譯正則加速重複匹配。
  • 避免災難性回溯:具體化字符集,限制量詞範圍,避免 .* 跨行匹配。
  • 大文本分塊處理,或使用 XMLReader 流式解析。
copyright © 萬盛學電腦網 all rights reserved