Регулярки на пхп

Слишком мало условий.

href='

href=

тем более может пожадничать и начать с первого a на странице и пройти до последнего href

В дополнение к своему посту:

Т.е. задачу я бы поставил так, найти все ссылки (вытащить url-ы) и анкоры в коде html, т.е. обрабатывать такие вещи:

<a href="url">анкор</a>

<a href='url'>анкор</a>

<a href=url>анкор</a> - url может быть путём с пробелами, но брать тогда нужно то, что до пробела.

<a opthref=ggg href=url target=blank>анкор</a> - т.е. наличие других параметров не должно мешать выборке url-ов

А если идти дальше, то тогда выборку вообще стоит разбить на две:

1. Поиск все ссылок с анкорами в валидных <a></a>, где параметр href указан в кавычках.

2. Поиск все ссылок без кавычек и помечать их как невалидные!

А дальше, кому нужно пущай с двумя массивами работает и делает то, что требуется. Можно и url и анкоры анализировать и т.п. Достаточно универсальная была бы регулярка или даже две. Пусть две регулярки, но главное, чтобы были попроще ;)

Отдельная выборка невалидных ссылок позволит потом пропарсить сайт и исправить их. Всё-таки нужно стремиться к правильному коду HTML.

Нашёл, что-то интересное (http://forum.php.su/topic.php?forum=4&topic=112):

<?PHP

// $body  - строка из которой нужно выдирнуть ссылки

// $link[relative] относительные ссылки

// $link[absolute] абсолютные ссылки

preg_match_all('#<\s*?(a)(.|\n)*?(href)=(\'|\")(.|\n)*?<\/(a)>#i', $body, $links);

for ($i=0; $i<count($links[0]); $i++){

if(!preg_match('/<\s*?(a)(.|\n)*?(href)=(\'|\")(http)/i', $links[0][$i])) {$link[relative][]=$links[0][$i];}else{$link[absolute][]=$links[0][$i];}

}

 ?>

меня видимо уже игнорируют на этом форуме ..

вот самая правильная в смысле поиска и послед анализа регулярка. поверьте я делал например вот такую штуку http://seopro.com.au/free-seo-tools/link-checker/

вот регулярка на поиск ВСЕХ ССЫЛОК

preg_match_all('#<a[^>]*? href\s*=\s*(\S+?)[>\s]#ism',$txt,$links);

Кто здесь?

p.s. Вас я уже запомнил ;) и записываю в блокнотик:

регурярка для поиска всех ссылок: preg_match_all('#<a[^>]*? href\s*=\s*(\S+?)[>\s]#ism', $txt, $links);

--

А выборка всех ссылок и анкоров до кучи, вот так?

preg_match_all('#<a[^>]*? href\s*=\s*(\S+?)[>](.*)<\/a>#ism', $txt, $links);

Наверное, есть ошипка, поправьте если что.

И похоже вот такую ссылку не словит ваша регулярка, <a href="http://site.ru/dir to file/index.php">

вроде как вытащит только http://site.ru/dir

DyaDya, спасибо =))

она вернет результаты с КАВЫЧКАМИ. можно и от кавычек почистить, но мне и так хорошо, предпочитаю и ручками поработать немножко) зато она не монстроузная

Да, проверил, так и есть,

Нашёл, офигительную регулярку

Сами ссылки как и у вас находит до пробела, но до кучи ещё и сами анкоры все вытаскивает.

И там же тоже работает:

Проверил, работает!

засада номер 2

<textarea><a href="ссылка">sddd</a></textarea><xmp><a href="ссылка">sddd</a></xmp>

это к слову о том что всео не предусмотришь

☝ это точно!

Но если вам не нужны какие то блоки и вложенности тегов при анализе, то их можно предварительно удалить другой регуляркой!

bearman,

'/<a\s+.*?href=[\"\']?([^\"\' >]*)[\"\']?[^>]*>(.*?)<\/a>/i'

DyaDya,

а эта ссылка в принципе невалидна, я думаю что некоторые браузеры даже оттрактовать ее не смогут, хотя может я ошибаюсь)

bearman добавил 24.07.2009 в 23:57

toxic steel, .*? dyfчале замените на [^>]+?. на вопрос зачем - найдете ответы выше, не хочется в пятый раз переписывать статью)