如何从HTML链接中提取HREF值？

Question

我的文本文件包含两行：

<IMG SRC="/icons/folder.gif" ALT="[DIR]"> <A HREF="yahoo.com.jp/">yahoo.com.jp/</A>
</PRE><HR>

在我的 Perl 脚本中，我有以下代码段：

my $String =~ /.*(HREF=")(.*)(">)/;
print "$2";

我的输出结果如下：

Output 1: yahoo.com.jp

Output 2: ><HR>

我想要实现的是让我的Perl脚本自动提取<A Href="">标签中的字符串。

由于我对正则表达式非常陌生，想问一下我的正则表达式是否格式不正确？如果是，能否提供一些建议使其更加美观？

另外，我不知道为什么我的第二个输出结果是"><HR>"，我原以为预期行为是跳过输出2，因为它不包含HREF="。很明显我错了。

感谢您的帮助。

- freshWoWer

---

这个问题肯定是其他一些问题的重复。 - Jonathan Leffler

Answer 1

使用正则表达式解析HTML有时能够奏效，但也会让你产生一种虚假的安全感。在你控制输入的简单情况下，你可能可以这样做，但最好使用像HTML::Parser这样的工具。

- Michael Carman

---

更好的选择是使用HTML::LinkExtor或者HTML::SimpleLinkExtor。这样你就不需要直接处理解析细节。 - brian d foy

Answer 2

回答你的具体问题，为什么你的正则表达式不起作用，是因为你使用了“贪婪”的.*，它默认会尽可能匹配更多内容。解决方法可以使用非贪婪模式.*?，或者更精确地指定你要匹配的内容。例如，[^"]*将匹配任何不包含双引号的内容，这似乎是你想要的。

但是，其他帖子中的人是正确的 - 在HTML解析中使用正则表达式来做任何非平凡的事情都是灾难性的。从技术上讲，你可以在Perl 5.10中正确地使用它（它具有更高级的正则表达式功能），但通常不值得头痛。

- Chris Simmons

Answer 3

如果可以的话，我想建议使用最简单的方法来完成这个任务（可能不是最快或最轻量级的方法）：HTML::TreeBuilder::XPath。

它为您提供了在非格式良好的HTML中使用XPath的能力。

use HTML::TreeBuilder::XPath;

my $tree= HTML::TreeBuilder::XPath->new_from_file( 'D:\Archive\XPath.pm.htm' );
my @hrefs = $tree->findvalues( '//div[@class="noprint"]/a/@href');
print "The links are: ", join( ',', @hrefs ), "\n";

- Axeman

Answer 4

当尝试使用正则表达式匹配HTML（或XML）时，您必须小心使用。很少情况下您想要一个。因为开始是贪婪的修饰符，它会尽可能地匹配。如Gumbo所示，使用字符类说明符[^"]*来匹配除引号外的所有字符。这将匹配到结束引号。您还可以尝试类似的内容来匹配角括号。试试这个：

/HREF="([^"]*)"[^>]*>/i

这样应该更加一致匹配。

- Stephan