正則表達式過濾鏈接

Question

我使用這個正則表達式過濾從網頁.pdffiles：

$regex='|<a.*?href="(.*pdf?)"|'; 

它的工作，如果該鏈接是這樣的：

www.xyz.com/trgrrtr/ghtty.pdf 

但如果鏈接是這樣的，它是無法過濾：

www.xyz.com/trgrrtr/ghtty.pdf?code=KksRHhdVXAoECBFCVFpeXBsBUgYMDQpxd3J2d3F2fDtzfnFuLiErNXNpIG5kYm16aGhpcmxoa05QV1VKUVFFUxQ%3D 

什麼正則表達式我應該用來過濾掉這個l從網頁上的墨水？

Answer 1

首先，您需要跳過?，否則它只是使其前面的f可選。然後你可以這樣做：

$regex = '|<a.*?href="([^"]*\.pdf\?[^"]*)"|'; 

使用否定字符類可確保您不能離開屬性。 （.*可能會消耗屬性結束"爲好，並繼續，直到"另一雙引號進一步向下匹配字符串）。

但我真的建議你使用DOM解析器先找到鏈接元素。 PHP有一個built-in one，並有一個非常好的和方便的3rd-party alternative。

Answer 2

博客文章An Improved Liberal, Accurate Regex Pattern for Matching URLs可能會有所幫助。