没有另一个使用正则表达式解析HTML的问题

Question

我在这里阅读了一些有关使用regex解析HTML的问题，并且我理解总体上来说这是一个糟糕的主意。

说了这么多，我有一个非常具体的问题，我认为正则表达式可能是答案。 我一直在摸索尝试找出答案，但是（今天）我对Regex还是陌生的，我希望有一个善良的人可以帮助我。

我有一个始终遵循以下格式的字符串数组

STUFF HERE<a href="somewhere" title="something" target="_blank">name of thing</a>STUFF HERE

我希望实现的只是留下“某处”和“事物名称”，以便我可以仅输出<a href="somewhere">name of thing</a> 。

字符串数组来自我的Facebook个人资料上的链接的RSS提要（如果您碰巧）。

非常感谢您的帮助。

插口

Answer 1

从实用主义的角度来看，我完全理解您的出身。

但是PHP确实有一个非常不错的/简单的HTML解析器 ，并且看起来很简单，要使它起作用，我会毫不犹豫地不推荐它。

Answer 2

我不了解PHP，但是您可以使用以下（极其脆弱的）正则表达式：

<a href="(.+?)" title=".+?" target="_blank">(.+?)</a>

这将捕获URL和链接的文本。

如果您想更加灵活一些，可以允许任何属性，例如：

<a .*?href="(.+?)".*?>(.+?)</a>

Answer 3

$str = 'STUFF HERE<a href="somewhere" title"something" target="_blank">name of thing</a>STUFF HERE';
$success = preg_match('/.*href=\"([^\"]+)\".*>([^<]+)<.*/i', $str, $matches);
if ($success) {
    echo $matches[1];
    echo $matches[2];
} else {
    echo "Parsing failed.";
}

括号子句隔离$ matches数组的匹配部分。 如果模式完全匹配字符串，则$ matches [1]将包含您的href，而$ matches [2]将包含您的链接文本。

在括号内，我用排除字符定义了您感兴趣的那些段的内容。 第一个是[^ \\“] +，它是除双引号以外的任何字符的一个或多个。第二个是[^ <] +，它是除小于号之外的任何字符的一个或多个。这确保了，如果标记的格式始终与您提供的格式一致，则您感兴趣的部分的每一侧都有明确定义的边界。

Answer 4

SLaks regex可能会对除href之外没有其他属性的URL产生一些问题，这是我的看法：

~<a.+?href="(.+?)".*?>(.+?)</a>~i

Answer 5

我已经用自己的Facebook feed进行了测试，并且可以使用SimpleXML加载它。 好吧，部分。 无法直接加载RSS feed，但是如果首先使用MagPie获取Feed，则可以使用SimpleXml加载description元素，如下所示：

$xml = simplexml_load_string($description); // load description
$link = $xml->xpath('//a');                 // find all links inside
$href = (string) $link[0]['href'];          // get URL
$text = (string) $link[0];                  // and link text

只要Facebook不破坏描述中的HTML，使用SimpleXml是安全的。 如果他们破坏了它，SimpleXml将会抱怨。