PHP preg_match. 添加到数组中

Question

基本上，我正在尝试使用preg_match查找所有附有PDF附件的链接，然后将整个URL添加到数组中。我遇到的问题是如何选择匹配前的所有内容，直到<a href="">的引号。我想这样做是为了能够循环遍历数组，并对每个文档执行所需的操作。我只想在数组中得到'1234.pdf'（加上任何子目录信息）。

有什么想法吗？

到目前为止，这就是我拥有的，它只返回匹配项...

$string1 = "<a href='1234.pdf'>Document 1</a>";

$match = preg_match("/.pdf/i", $string1, $output);

谢谢

- shane

---

请注意，.不仅匹配句号字符，还会匹配任何其他字符（除了换行符）；如果要仅匹配.，请进行转义。 - Gumbo

Answer 1

你应该使用DOM解析器来提取信息，因为它更容易、更安全。然后，你可以使用preg_match函数来检查链接是否真的是PDF格式：

$html = '<a href="foo.pdf">Foo</a>'.
        '<a href="bar.jpg">Bar</a>'.
        '<a href="baz.pdf">Baz</a>';

$dom = new DOMDocument;
$dom->loadHTML($html);
$links = $dom->getElementsByTagName('a');

$result = array();
foreach ($links as $link) {
   $href = $link->getAttribute('href');
   if (preg_match('/\.pdf$/i', $href)) $result[] = $href;
}

print_r($result);

输出：

Array
(
    [0] => foo.pdf
    [1] => baz.pdf
)

- netcoder

---

+1 针对正确的 PHP DOM 遍历技术提供实例。 - eykanal

非常完美。这是我第一次接触到 DOMDocument，非常有用，感谢您的帮助。 - shane

Answer 2

你应该使用一个合适的HTML解析器（参见netcoder的答案），并应用XPath表达式来解决这个问题。如果你一定要使用正则表达式，可以尝试像这样的方法：

$match = preg_match_all("/(?<=href=['\"])([^'\"]*\\.pdf[^'\"]*)(?=['\"])/",
                        $string1, $output);

- cdhowie

---

这将匹配任何被引号包围的内容。 - Gumbo

@Gumbo：没错。我已经调整了正则表达式，至少要求href=前缀，但这显然是一种非常糟糕的方法来解决这个问题。我只是提供了一个后备正则表达式，以防万一OP没有遵循更好的方法，即使用适当的HTML解析器。你只能让这样的正则表达式表现得更好…… - cdhowie

Answer 3

如果我理解你的意思正确的话，似乎你需要使用子模式。尝试像这样做...

$match = preg_match("/href=\"(.*\.pdf)\"/i", $string1, $output);

$output变量应该是一个数组，索引0包含完整的文本匹配，索引1包含括号内匹配的文本。

- dt1021