正则表达式仅匹配特定类的完整超链接

问题描述

| 我有一个字符串，里面有一些超链接。我只想将所有链接中的某些链接与正则表达式匹配。我不知道href或类是第一位的，它可能有所不同。 例如，这是一种刺痛：

<div class=\'wp-pagenavi\'>
<span class=\'pages\'>Page 1 of 8</span><span class=\'current\'>1</span>
<a href=\'http://stv.localhost/channel/political/page/2\' class=\'page\'>2</a>     
<a href=\'http://stv.localhost/channel/political/page/3\' class=\'page\'>3</a>ccccc<a href=\'http://stv.localhost/channel/political/page/4\' class=\'page\'>4</a><a href=\'http://stv.localhost/channel/political/page/5\' class=\'page\'>5</a><a href=\"http://stv.localhost/channel/political/page/2\" class=\"nextpostslink\">»eee</a><span class=\'extend\'>...</span><a href=\'http://stv.localhost/channel/political/page/8\' class=\'last\'>lastן »</a>
<a class=\"cccc\">xxx</a>
</div>

我只想从aboce字符串中选择具有class nextpostslink的字符串 因此，此示例中的匹配项应返回以下内容-

<a href=\"http://stv.localhost/channel/political/page/2\" class=\"nextpostslink\">»eee</a>

这个正则表达式是我能得到的最接近的-

/<a\\s?(href=)?(\'|\")(.*)(\'|\") class=(\'|\")nextpostslink(\'|\")>.{1,6}<\\/a>/

但是它是从字符串的开头选择链接。 我认为我的问题出在（。*）中，但是我不知道如何更改此设置以仅选择所需的链接。 多谢您的协助。     

解决方法

        为此，最好使用真正的HTML解析器。放弃所有尝试在HTML上使用正则表达式的尝试。 改用PHP的ѭ3:：

$dom = new DOMDocument;
$dom->loadHTML($yourHTML);

foreach ($dom->getElementsByTagName(\'a\') as $link) {
    $classes = explode(\' \',$link->getAttribute(\'class\'));

    if (in_array(\'nextpostslink\',$classes)) {
        // $link has the class \"nextpostslink\"
    }
}

    ,        无论您多么努力，都不可能仅使用正则表达式来制作无错误的HTML解析器（不包括琐碎的问题或具有非常受限制的输入集的问题（无嵌套标签，无双引号的单引号等）。 http://www.codinghorror.com/blog/2009/11/parsing-html-the-cthulhu-way.html     ,        不确定那是否就是您的意思，但是：用regex解析html是一个坏主意。使用xpath实现以达到所需的元素。以下xpath表达式将为您提供所有带有\“ nextpostlink \”类的\'a \'元素：

//a[contains(@class,\"nextpostslink\")]

到处都有大量的xpath信息，因为您没有提到您的编程语言，这里介绍了使用Java的快速xpath教程：http://www.ibm.com/developerworks/library/x-javaxpathapi/index.html 编辑： php + xpath + html：http：//dev.juokaz.com/php/web-scraping-with-php-and-xpath     ,        这将在php中工作：

/<a[^>]+href=(\\\"|\')([^\\\"\']*)(\'|\\\")[^>]+class=(\\\"|\')[^\'\\\"]*nextpostslink[^\'\\\"]*(\'|\\\")[^>]*>(.{1,6})<\\/a>/m

当然，这是假设class属性始终位于href属性之后。 这是一个代码片段：

$html = <<<EOD
<div class=\'wp-pagenavi\'>
<span class=\'pages\'>Page 1 of 8</span><span class=\'current\'>1</span>
<a href=\'http://stv.localhost/channel/political/page/2\' class=\'page\'>2</a>     
<a href=\'http://stv.localhost/channel/political/page/3\' class=\'page\'>3</a>ccccc<a href=\'http://stv.localhost/channel/political/page/4\' class=\'page\'>4</a><a href=\'http://stv.localhost/channel/political/page/5\' class=\'page\'>5</a><a href=\"http://stv.localhost/channel/political/page/2\" class=\"nextpostslink\">»eee</a><span class=\'extend\'>...</span><a href=\'http://stv.localhost/channel/political/page/8\' class=\'last\'>lastן »</a>
<a class=\"cccc\">xxx</a>
</div>
EOD;

$regexp = \"/<a[^>]+href=(\\\"|\')([^\\\"\']*)(\'|\\\")[^>]+class=(\\\"|\')[^\'\\\"]*nextpostslink[^\'\\\"]*(\'|\\\")[^>]*>(.{1,6})<\\/a>/m\";

$matches = array();
if(preg_match($regexp,$html,$matches)) {
    echo \"URL: \" . $matches[2] . \"\\n\";
    echo \"Text: \" . $matches[6] . \"\\n\";
}

但是，我建议先匹配链接，然后获取url，以便属性的顺序无关紧要：

<?php

$html = <<<EOD
<div class=\'wp-pagenavi\'>
<span class=\'pages\'>Page 1 of 8</span><span class=\'current\'>1</span>
<a href=\'http://stv.localhost/channel/political/page/2\' class=\'page\'>2</a>     
<a href=\'http://stv.localhost/channel/political/page/3\' class=\'page\'>3</a>ccccc<a href=\'http://stv.localhost/channel/political/page/4\' class=\'page\'>4</a><a href=\'http://stv.localhost/channel/political/page/5\' class=\'page\'>5</a><a href=\"http://stv.localhost/channel/political/page/2\" class=\"nextpostslink\">»eee</a><span class=\'extend\'>...</span><a href=\'http://stv.localhost/channel/political/page/8\' class=\'last\'>lastן »</a>
<a class=\"cccc\">xxx</a>
</div>
EOD;

$regexp = \"/(<a[^>]+class=(\\\"|\')[^\'\\\"]*nextpostslink[^\'\\\"]*(\'|\\\")[^>]*>(.{1,6})<\\/a>)/m\";

$matches = array();
if(preg_match($regexp,$matches)) {
    $link = $matches[0];
    $text = $matches[4];

    $regexp = \"/href=(\\\"|\')([^\'\\\"]*)(\\\"|\')/\";
    $matches = array();
    if(preg_match($regexp,$matches)) {
        $url = $matches[2];

        echo \"URL: $url\\n\";
        echo \"Text: $text\\n\";
    }
}

您当然可以通过匹配两个变体中的一个来扩展正则表达式（类优先于href优先），但这会很长，我认为这不会提高性能。 就像概念证明一样，我创建了一个不关心顺序的正则表达式：

/<a[^>]+(href=(\\\"|\')([^\\\"\']*)(\'|\\\")[^>]+class=(\\\"|\')[^\'\\\"]*nextpostslink[^\'\\\"]*(\\\"|\')|class=(\\\"|\')[^\'\\\"]*nextpostslink[^\'\\\"]*(\\\"|\')[^>]+href=(\\\"|\')([^\\\"\']*)(\'|\\\"))[^>]*>(.{1,6})<\\/a>/m

文本将在第12组中，而URL将在第3组或第10组中，具体取决于顺序。     ,        我将[。*）替换为[^ \'\“] +，如下所示：

<a\\s*(href=)?(\'|\")[^\'\"]+(\'|\") class=(\'|\")nextpostslink(\'|\")>.{1,6}</a>

注意：我使用RegEx Buddy进行了此操作，因此不需要转义<> \或/