Tomando el atributo href de un elemento A

Intentando encontrar los enlaces en una página.

mi expresión regular es:

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

pero parece fallar en

<a title="this" href="that">what?</a>

¿Cómo cambiaría mi expresión regular para tratar con href que no se coloca primero en la etiqueta a?

Las expresiones regulares confiables para HTML son difíciles . A continuación se explica cómo hacerlo con DOM :

$dom = new DOMDocument;
$dom->loadHTML($html);
foreach ($dom->getElementsByTagName('a') as $node) {
    echo $dom->saveHtml($node), PHP_EOL;
}

Lo anterior buscaría y generaría el "HTML externo" de todos los Aelementos de la $htmlcadena.

Para obtener todos los valores de texto del nodo, haz

echo $node->nodeValue; 

Para comprobar si el hrefatributo existe, puede hacer

echo $node->hasAttribute( 'href' );

Para obtener el hrefatributo que harías

echo $node->getAttribute( 'href' );

Para cambiar el hrefatributo que harías

$node->setAttribute('href', 'something else');

Para eliminar el hrefatributo que harías

$node->removeAttribute('href'); 

También puede consultar el hrefatributo directamente con XPath

$dom = new DOMDocument;
$dom->loadHTML($html);
$xpath = new DOMXPath($dom);
$nodes = $xpath->query('//a/@href');
foreach($nodes as $href) {
    echo $href->nodeValue;                       // echo current attribute value
    $href->nodeValue = 'new value';              // set new attribute value
    $href->parentNode->removeAttribute('href');  // remove attribute
}

Ver también:

• Los mejores métodos para analizar HTML
• DOMDocument en php

En una nota al margen: estoy seguro de que esto es un duplicado y puede encontrar la respuesta en algún lugar aquí

Estoy de acuerdo con Gordon, DEBES usar un analizador HTML para analizar HTML. Pero si realmente quieres una expresión regular, puedes probar esta:

/^<a.*?href=(["\'])(.*?)\1.*$/

Esto coincide <aal principio de la cadena, seguido de cualquier número de cualquier carácter (no codicioso) y .*?luego href=seguido del enlace rodeado por "o'

$str = '<a title="this" href="that">what?</a>';
preg_match('/^<a.*?href=(["\'])(.*?)\1.*$/', $str, $m);
var_dump($m);

Salida:

array(3) {
  [0]=>
  string(37) "<a title="this" href="that">what?</a>"
  [1]=>
  string(1) """
  [2]=>
  string(4) "that"
}

El patrón que desea buscar sería el patrón de anclaje de enlace, como (algo):

$regex_pattern = "/<a href=\"(.*)\">(.*)<\/a>/";

¿Por qué no simplemente emparejas?

"<a.*?href\s*=\s*['"](.*?)['"]"

<?php

$str = '<a title="this" href="that">what?</a>';

$res = array();

preg_match_all("/<a.*?href\s*=\s*['\"](.*?)['\"]/", $str, $res);

var_dump($res);

?>

luego

$ php test.php
array(2) {
  [0]=>
  array(1) {
    [0]=>
    string(27) "<a title="this" href="that""
  }
  [1]=>
  array(1) {
    [0]=>
    string(4) "that"
  }
}

que funciona. Acabo de quitar las primeras abrazaderas de captura.

Para quien aún no obtiene las soluciones muy fáciles y rápidas usando SimpleXML

$a = new SimpleXMLElement('<a href="www.something.com">Click here</a>');
echo $a['href']; // will echo www.something.com

Esta funcionando para mi

No estoy seguro de lo que está tratando de hacer aquí, pero si está tratando de validar el enlace, mire el filter_var () de PHP

Si realmente necesita usar una expresión regular, consulte esta herramienta, puede ayudar: http://regex.larsolavtorvik.com/

Usando su expresión regular, la modifiqué un poco para satisfacer sus necesidades.

<a.*?href=("|')(.*?)("|').*?>(.*)<\/a>

Yo personalmente sugiero que use un analizador HTML

EDITAR: Probado

Examen rápido: <a\s+[^>]*href=(\"\'??)([^\1]+)(?:\1)>(.*)<\/a> parece hacer el truco, siendo la primera coincidencia "o", la segunda el valor de "href" "eso" y la tercera el "qué?".

La razón por la que dejé la primera coincidencia de "/ 'allí es que puedes usarla para hacer una referencia inversa más tarde para el cierre" /', por lo que es lo mismo.

Vea el ejemplo en vivo en: http://www.rubular.com/r/jsKyK2b6do

preg_match_all ("/ (] >) (. ?) (</ a) /", $ contenido, $ impmatches, PREG_SET_ORDER);

Se prueba y obtiene todas las etiquetas de cualquier código html.

Lo siguiente funciona para mí y devuelve ambos hrefy valuede la etiqueta de anclaje.

preg_match_all("'\<a.*?href=\"(.*?)\".*?\>(.*?)\<\/a\>'si", $html, $match);
if($match) {
    foreach($match[0] as $k => $e) {
        $urls[] = array(
            'anchor'    =>  $e,
            'href'      =>  $match[1][$k],
            'value'     =>  $match[2][$k]
        );
    }
}

La matriz multidimensional llamada $urlsahora contiene submatrices asociativas que son fáciles de usar.