Php 用于查找HTML字符串中所有路径的正则表达式

我有一个字符串，带有htmlentities编码的HTML代码

我要做的是查找文档中的所有路径，位于：

href=“XXX”，src=“XXX”

我确实有一个正则表达式，可以找到以http、https、ftp和文件开头的所有链接，以免我对其进行迭代：

"/\b(?:(?:https?|ftp|file):\/\/|www\.|ftp\.)[-A-Z0-9+&@#\/%=~_|$?!:,.]*[A-Z0-9+&@#\/%=~_|$]/i"

---

有什么想法吗？

更新：使用正则表达式进行操作是不可靠的。src=“…”或href=“…”语句可以是注释或javascript语句的一部分。为了获得可靠的链接，我建议使用XPath：

<?php

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string/14782594#14782594');
$doc = new DOMDocument();
@$doc->loadHTML($html);
$selector = new DOMXPath($doc);

$result = $selector->query('//a/@href | //@src');
foreach($result as $link) {
    echo $link->value, PHP_EOL;
}

---

更新：使用正则表达式执行此操作不可靠。src=“…”或href=“…”语句可以是注释或javascript语句的一部分。为了获得可靠的链接，我建议使用XPath：

<?php

$html = file_get_contents('http://stackoverflow.com/questions/14782334/regex-expression-to-find-all-paths-in-a-html-string/14782594#14782594');
$doc = new DOMDocument();
@$doc->loadHTML($html);
$selector = new DOMXPath($doc);

$result = $selector->query('//a/@href | //@src');
foreach($result as $link) {
    echo $link->value, PHP_EOL;
}

---

可以使用DOM查找特定标记中的所有链接。例如，要从锚定标记获取URL，请执行以下操作（未经测试，但应指向正确的方向）：

---

您可以使用XPath更轻松地加载和计算DOM。

您可以使用DOM查找特定标记中的所有链接。例如，要从锚定标记获取URL，请执行以下操作（未经测试，但应指向正确的方向）：

---

您可以使用XPath更轻松地加载和计算DOM。

为什么不尝试查找

href=“

和下一个

”

之间的所有内容？这会更简单，也不容易出错。那么

href=“（[^”]*）”

？URL中是否允许“使用”呢？我认为空格实际上是…@P O'Conbhui:spaces是不允许的，还有

“

字符为什么不尝试查找

href=“

和下一个

”

之间的所有内容呢？这会更容易，也不容易出错。那么

href=“（[^”]*）”

呢？是“允许在URL中使用吗？我认为空格实际上是…@P O'Conbhui:spaces是不允许的，还有

”

字符

function findPaths($url)
{
   $dom = new DOMDocument();

   //$url of page to search, the "@' is there to suppress warnings
   @$dom->loadHTMLFile($url) 

   $paths = array();
   foreach($dom->getElementsByTagName('a') as $path)
   {
     $paths[] = array('url' => $path->getAttribute('href'), text => $path->nodeValue);
   }
   return $paths;
}