Regex 查找某个类的所有URL，直到页面上出现文本为止

我目前正在构建一些东西来查看易趣拍卖，但我很难阻止它在“更多相关物品”之后包含这些物品，而我显然不想要这些物品

目前，所有链接都是标准的a href，布局如下

<a href="http://www.ebay.co.uk/blahblah" class="vip" title="x" itemprop="name">

class=“vip”出现在每个项目链接中，因此使用它似乎是一件好事，但是它也出现在相关项目的链接中，因此我不需要再进一步讨论与零件相关的更多项目

它必须是正则表达式，因为我用ubot（比用真正的语言编写代码快得多）来实现它——很抱歉，对于noob这个问题，正则表达式无论如何都不是我的强项

谢谢！：）

描述 该正则表达式将：

• 将所有锚定标记与

  vip的
  class
  属性匹配

• 捕获这些锚定标记的

  href

  属性值
• 将避免出现问题的边缘情况
• 允许

  class

  和

  href

  以任何顺序出现在锚定标记中
• 在

  更多信息浏览部分之后未捕获

（？=.*More\sto\sexplore）

PHP代码示例： 示例文本

注意，第二行有一些潜在的问题文本

<a href="http://www.ebay.co.uk/blahblah-11" class="vip" title="x" itemprop="name">text here</a>
<a onmouseover=' var class="vip"  ; funClassSwap(class); ' href="http://www.ebay.co.uk/blahblah-22"><form><input type="image" src="submit.gif"></form></a>
<a class="vip" href="http://www.ebay.co.uk/blahblah-33" title="x" itemprop="name">more text</a>
<div class="seoi-c">
    <h2 class="seoi-h">More to explore</h2>
    <div class="fl">
        <ul class="tso-u">
                <li><a href="http://www.ebay.com/sch/Lathes-/97230/i.html?_dcat=97230&amp;Type=CNC&amp;_trksid=p2045573.m2389" title="Lathes in Metalworking Equipment CNC">Lathes in Metalworking Equipment CNC</a></li>
        </ul>
    </div>
    <div class="fl">
        <ul class="tso-u">
        </ul>
    </div>
</div>
<a class="vip" href="http://www.ebay.co.uk/blahblah-44" title="x" itemprop="name">more text</a>

更多信息有待探索

代码

<?php
$sourcestring="your source string";
preg_match_all('/<a\b(?=\s) # capture the open tag
(?=(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"][^\s>]*)*?\shref=(\'[^\']*\'|"[^"]*"|[^\'"][^\s>]*)) # get the href attribute
(?=(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"][^\s>]*)*?\sclass=[\'"]?vip[\'"]?) # validate the class attribute
(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"\s]*)*"\s?> # get the entire tag
.*?<\/a>   # capture the entire anchor tag
(?=.*?More\sto\sexplore)  # validate this match is before the 'more to explore' section
/imsx',$sourcestring,$matches);
echo "<pre>".print_r($matches,true);
?>

说明
该正则表达式将：


将所有锚定标记与
vip的
class
属性匹配

捕获这些锚定标记的
href
属性值
将避免出现问题的边缘情况
允许
class
和
href
以任何顺序出现在锚定标记中
在
更多信息浏览部分之后未捕获


（？=.*More\sto\sexplore）


PHP代码示例：
示例文本

注意，第二行有一些潜在的问题文本

<a href="http://www.ebay.co.uk/blahblah-11" class="vip" title="x" itemprop="name">text here</a>
<a onmouseover=' var class="vip"  ; funClassSwap(class); ' href="http://www.ebay.co.uk/blahblah-22"><form><input type="image" src="submit.gif"></form></a>
<a class="vip" href="http://www.ebay.co.uk/blahblah-33" title="x" itemprop="name">more text</a>
<div class="seoi-c">
    <h2 class="seoi-h">More to explore</h2>
    <div class="fl">
        <ul class="tso-u">
                <li><a href="http://www.ebay.com/sch/Lathes-/97230/i.html?_dcat=97230&amp;Type=CNC&amp;_trksid=p2045573.m2389" title="Lathes in Metalworking Equipment CNC">Lathes in Metalworking Equipment CNC</a></li>
        </ul>
    </div>
    <div class="fl">
        <ul class="tso-u">
        </ul>
    </div>
</div>
<a class="vip" href="http://www.ebay.co.uk/blahblah-44" title="x" itemprop="name">more text</a>


更多信息有待探索






代码

<?php
$sourcestring="your source string";
preg_match_all('/<a\b(?=\s) # capture the open tag
(?=(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"][^\s>]*)*?\shref=(\'[^\']*\'|"[^"]*"|[^\'"][^\s>]*)) # get the href attribute
(?=(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"][^\s>]*)*?\sclass=[\'"]?vip[\'"]?) # validate the class attribute
(?:[^>=]|=\'[^\']*\'|="[^"]*"|=[^\'"\s]*)*"\s?> # get the entire tag
.*?<\/a>   # capture the entire anchor tag
(?=.*?More\sto\sexplore)  # validate this match is before the 'more to explore' section
/imsx',$sourcestring,$matches);
echo "<pre>".print_r($matches,true);
?>

我发现，当从页面中删除不需要的内容时，使用“运行JavaScript”功能非常有帮助。
查找“更多相关项目”部分的ID或类别，然后执行以下操作：

x=document.getElementById（“更多项目id”）；
x、 删除（）

这将从页面中删除它。然后你可以告诉机器人开始刮
 我发现使用“run JavaScript”函数在删除页面中不需要的内容时非常有用，因为您不想刮去这些内容。
查找“更多相关项目”部分的ID或类别，然后执行以下操作：

x=document.getElementById（“更多项目id”）；
x、 删除（）

这将从页面中删除它。然后你可以告诉机器人开始刮
 我知道你说它必须是正则表达式，但不要使用正则表达式来解析HTML。您无法用正则表达式可靠地解析HTML，在这条路上您将面临悲伤和挫折。一旦HTML改变了您的预期，您的代码就会被破坏。有关如何使用已编写、测试和调试的PHP模块正确解析HTML的示例，请参阅。如果可能，请使用提供DOM和XPath的工具包。这种方法不太容易出错。嗨，伙计们，非常感谢你们的评论-不幸的是，这个程序100%都是这样编写的，这需要一段时间，我真的想避免重做。当易趣的布局发生变化时，我不介意改变正则表达式（尽管我希望这不会持续一段时间）-实际上我无法使用xpath或PHP，不幸的是：（@Joe We（或I）需要一个文本/html示例，你想匹配什么，不想匹配什么。另外，必须知道正则表达式的风格。您好，谢谢您的帮助。我只想匹配URL本身，直到“更多相关项目”我很抱歉，但我找不到任何关于它是什么类型的正则表达式，虽然我相信软件是用C++编写的。谢谢！我知道你说它必须是正则表达式，但是不要用正则表达式来解析HTML。你不能用正则表达式可靠地解析HTML，你会面对这样的问题。错误和挫折。一旦HTML偏离您的预期，您的代码就会被破坏。有关如何使用已编写、测试和调试的PHP模块正确解析HTML的示例，请参阅。如果可能，请使用提供DOM和XPath的工具包。这种方法不太容易出错。大家好，非常感谢很遗憾，这个程序是100%编写的，而不是这个，这花了相当长的时间，我真的想避免重做。当易趣的布局发生变化时，我不介意更改正则表达式（尽管希望这不会持续一段时间）-我真的无法使用xpath或PHP。很遗憾：（@Joe We（或我）需要一个文本/html示例，你想匹配什么，不想匹配什么。另外，必须知道正则表达式的风格。您好，谢谢您的帮助。我只想匹配URL本身，直到“更多相关项目”出现在页面上。我很抱歉，但是我找不到任何关于它是什么类型的正则表达式，虽然我相信软件是用C++编写的。谢谢！在易趣网上我没有看到<>代码>更多的与< /COD>段相关的项目。所以我用了易趣网的HTML来显示<代码>更多的探索< /COD> >代码>（？=
…
）
积极的前瞻需要在比赛后出现更多的探索部分。你的正则表达式对我有用，但我不想得到i