Chinaunix

标题: [正则 测试] 通用HTML标准超链接参数取得正则表达式测试 [打印本页]
作者: HonestQiao    时间: 2005-11-06 14:59
标题: [正则 测试] 通用HTML标准超链接参数取得正则表达式测试
[正则 测试] 通用HTML标准超链接参数取得正则表达式测试

因为最近要做一个类似专业搜索引擎的东西，需要抓取网页的所有超链接。
大家帮忙测试一下子，下面的代码是否可以针对所有的标准超链接。

测试代码如下：
  1. <?php
  2. // --------------------------------------------------------------------------
  3. // File name   : Noname1.php
  4. // Description : 通用链接参数获取正则表达式测试
  5. // Requirement : PHP4 (http://www.php.net)
  6. // Copyright(C), HonestQiao, 2005, All Rights Reserved.
  7. // Author: HonestQiao (honestqiao@hotmail.com)
  8. // 参数说明:
  9. // $strSource: 包含标准链接的HTML网页
  10. // $strResult: 处理的结果
  11. // 附加说明:
  12. // 标准链接，使用<a></a>形势包含的链接
  13. // --------------------------------------------------------------------------
  14. $strSource = <<<HTML
  15. <a href=1.htm>t1</a>
  16. <a href='2.htm'>t2</a>
  17. <a href="3.htm">t3</a>
  18. <a href=4.htm class=link>t4</a>
  19. HTML;
  20. preg_match_all('/<a.*?(?: |\\t|\\r|\\n)?href=[\'"]?(.+?)[\'"]?(?:(?: |\\t|\\r|\\n)+.*?)?>(.+?)<\/a.*?>/sim', $strSource, $strResult, PREG_PATTERN_ORDER);
  21. for($i = 0; $i < count($strResult[1]); $i++)
  22. {
  23.     printf("%d href=(%s) title=(%s) \n", $i, $strResult[1][$i], $strResult[2][$i]);
  24. }

  26. ?>
复制代码


如果您的测试数据，符合标准链接，但是此处没有被处理出来，请告诉我测试数据，以及你的测试环境。

谢谢。

也欢迎提供任何怪异的超链接，不过使用javascript来打开链接的除外。

[ 本帖最后由 HonestQiao 于 2005-11-6 21:29 编辑 ]
作者: ydlhero    时间: 2005-11-06 17:44
版大 很多我看不懂 可否提供 正则表达方法的一些资料
我知道手册有点 但那点点远远不够^_^
作者: HonestQiao    时间: 2005-11-06 18:37
http://www.pcre.org/

如果要深究，可以查看这里。

太深奥而其表达也太过于简略，无法用通俗的语言去表达和解释。
作者: cloudchen    时间: 2005-11-06 20:27
匹配总是不能做到适应任何情况的，只要能适应一些常见的标记方法就OK了，否则不是一个正则能搞定的，浏览器在分析html标记时极其错误的写法也就忽略

这个有个问题asdfhref="1.htm"这也能获取到不太合适把，这样就不成获取属性了，得改改
作者: HonestQiao    时间: 2005-11-06 21:18
原帖由 cloudchen 于 2005-11-6 20:27 发表
匹配总是不能做到适应任何情况的，只要能适应一些常见的标记方法就OK了，否则不是一个正则能搞定的，浏览器在分析html标记时极其错误的写法也就忽略

这个有个问题asdfhref="1.htm"这也能获取到不太合 ...



等一下子我在修改，嘿嘿。

[ 本帖最后由 HonestQiao 于 2005-11-6 21:24 编辑 ]
作者: HonestQiao    时间: 2005-11-06 21:21
已经修正了，作为：

  2. preg_match_all('/<a.*?(?: |\\t|\\r|\\n)?href=[\'"]?(.+?)[\'"]?(?:(?: |\\t|\\r|\\n)+.*?)?>(.+?)<\/a.*?>/sim', $strSource, $strResult, PREG_PATTERN_ORDER);
复制代码

[ 本帖最后由 HonestQiao 于 2005-11-6 21:29 编辑 ]
作者: litie123    时间: 2005-11-06 21:57
提示: 作者被禁止或删除 内容自动屏蔽
作者: 笨狗    时间: 2005-11-07 08:23
如果不是一定要用php的话
偶推荐用perl的HTML::TokeParser
很好用D
作者: HonestQiao    时间: 2005-11-07 08:44
原帖由 笨狗 于 2005-11-7 08:23 发表
如果不是一定要用php的话
偶推荐用perl的HTML::TokeParser
很好用D


用perl很简单，作这个。

不果现在用php.
作者: HonestQiao    时间: 2005-11-07 08:45
原帖由 litie123 于 2005-11-6 21:57 发表
<a href="so.php?id>gfgfd">这个有问题</a>


啊，这也够BT的啊。
作者: langyufeng    时间: 2005-12-01 16:54
原帖由 HonestQiao 于 2005-11-7 08:45 发表


啊，这也够BT的啊。

唉
先replace掉"就好拉
作者: Haohappy    时间: 2005-12-01 21:43
标题: 回复 1楼 HonestQiao 的帖子
供参考呵呵。

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);
作者: giant35    时间: 2006-07-08 19:14
<a.*?\s*href\s*=[\'"]?(.+?)[\'"].*?>(.+?)</a



欢迎光临 Chinaunix (http://bbs.chinaunix.net/) Powered by Discuz! X3.2