-4

我有这个正则表达式：

preg_match_all("/<\s*?img\s[^>]*?src=([\"']??)([^\"' >]*?)\1[^>]*?>/si", $content, $m);

这个想法是在一段 HTML 中找到所有图像链接。鉴于此内容：

<p>
    <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />Some text here.</p><a href="site.html">test</a>

执行正则表达式后，$m 是一个包含 3 个空数组的数组，但如果我用这个站点测试它，结果是：

Array
(
    [0] => Array
        (
            [0] => <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />
        )

    [1] => Array
        (
            [0] => "
        )

    [2] => Array
        (
            [0] => /emailimg/interdigital_old.jpg
        )

)

有什么问题？是配置问题吗？

4

1 回答 1

4

DOM / XPath（即正确）方式：

<?php

  $html = '
<p>
    <img alt="" src="/emailimg/interdigital_old.jpg" style="width: 377px; height: 245px; " />Some text here.</p><a href="site.html">test</a>
';

  $dom = new DOMDocument('1.0');
  $dom->loadHTML($html);

  $xpath = new DOMXPath($dom);

  $links = array();
  foreach ($xpath->query('//img/@src') as $img) $links[] = $img->value;
  print_r($links);

测试和工作。

编辑

您的正则表达式不起作用的原因有两个：

  1. 您已经使用双引号字符串声明了您的正则表达式。这通常会导致您意想不到且不完全明显的事情，因为双引号字符串会在传递给 PCRE之前自行插入某些转义序列。这在您的情况下导致的问题\1是被解释为八进制字符定义（如此处定义），因此您的表达式中有一个文字0x01（标题开头）字符，而不是\1您希望 PCRE 用作的字符串反向参考。

    我发现当我遇到这样的问题时，一个好的起点是简单echo地筛选表达式以查看 PHP 如何插入您在脚本中声明的字符串。这里是该特定问题的演示。

  2. ([\"']??)- 第二个问号是打破它。我实际上不确定你想用这个来完成什么，它只是一个错误的类型吗？我很难弄清楚 PCRE 是如何解释这一点的，以及它究竟为什么会破坏它，但我只想说它确实如此，并且第二个问号需要去掉。FTR，它的作用是表达式仍然匹配<img>标签，但是下面的捕获组（你真正想要的数据）是空的。

现在让我们分解正则表达式，看看如何改进它：

  • <\s*?img- 这里的非贪婪*是没有意义的，因为\s只匹配空白，下一个序列将是 alpha，<\s*img就足够了。我实际上不确定 HTML 标记是否允许在开头<和标记名称之间有前导空格，但我想允许它不会有任何害处，因为适当的解析器可能会这样做。
  • \s[^>]*?src=(["']??)- 如前所述??，捕获组中的 正在破坏表达式，我不确定您首先要尝试使用它做什么。另外，我再次认为非贪婪*是没有意义的，因为标签将以 结尾>，如果我们最后还没有找到src它，那么它无论如何都不是匹配的。另外，如果我们在不应该出现但解析器可能允许的地方允许空格，我们可能应该在=. 我会将其重写为\s[^>]*src\s*=\s*(["']?).
  • ([^"' >]*?)\1- 假设您担心能够处理未引用的属性，这里没有抱怨。当然，如果您确实知道属性将始终被引用，您可以简单地使用并从前面我们确定使用的引用类型的捕获组中([^\1]*?)\1删除。?
  • [^>]*?>- 这里没有抱怨。
  • /si-修饰符没有意义，因为表达式中的任何地方s都没有s。.它没有任何害处，但也没有帮助，所以它是多余的。

因此，将所有这些放在一起，这就是我编写正则表达式的方式：

/<\s*img\s[^>]*src\s*=\s*(["']?)([^"' >]*?)\1[^>]*>/i

...当转换为带有正确转义引号的 PHP 字符串声明时，如下所示：

$expr = '/<\s*img\s[^>]*src\s*=\s*(["\']?)([^"\' >]*?)\1[^>]*>/i';

...顺便说一句，效果很好。

现在，即使考虑到额外的代码，我仍然认为 DOM 方法更好，因为它可能会捕获我的 regex Skillz 忘记的边缘情况。虽然诚然 regex 似乎确实有点快。

于 2012-06-08T12:43:07.770 回答