在PHP中使用正则表达式匹配HTML属性

Question

我正在尝试制作一个表达式，它可以搜索像how2bypass.co.cc这样的页面，并返回“form”标记中“action”属性以及任何输入标记中“name”和“type”属性的内容。我无法使用html解析器，因为我的最终目标是自动检测给定页面是否为Web代理，一旦网站发现我在做这个，他们可能会做一些傻事，比如用javascript编写整个文档，以防止我解析它。

我正在使用的代码：

    preg_match_all('/<form.*action\="(.*?)".*>[^<]*<input.*type\=/i', $pageContents, $inputMatches);

对于 action 属性，这样做可以正常工作，但是一旦在 type\= 后面加上双引号后，代码就停止工作了。为什么会这样？它只能正常工作一次，但第二次就不行了。

- some guy

Answer 1

正则表达式是贪婪的...

如果您检查页面源代码，以下内容可能与第一个<input与最后一个type=匹配，并捕获之间的所有内容。

`<input.*type\=`

你目前的表达式无法捕获表单和所有输入，因为并非每个输入都带有表单标记。您需要采用以下一种方法：

• 捕获整个表单标记<form>...</form>，然后使用正则表达式匹配捕获中的所有输入
• 调整当前的表达式为非贪婪模式.*?，并允许多次捕获输入标记。

- Jason McCreary

---

谢谢，我没想到 .* 会这样做。然而，我的原始问题仍然存在。在表达式中加引号会破坏它，我不明白为什么。为了澄清：为什么 /<form.?action=/i 可以工作，但是 /<form.?action="/i 却没有返回任何东西？如果我无法解决这个问题，我将捕获整个表单标记并逐个处理。另外，我正在测试的页面是我提到的 how2bypass.co.cc。 - some guy

Answer 2

在没有看到你想要提取的目标页面的情况下，只有一些猜测：

• type= 属性可能没有双引号，因为 type=text 也是有效的。或者它可能有单引号，或者在 = 周围有一些空格。
• 如果标签之间或内部有换行符，则 .* 占位符可能会失败。建议使用 /s 正则表达式标志。
• 通常更可靠的方法是使用否定字符类，如 [^<>]* 或 [^"]，而不是 .*。
• 您不需要转义 \= 等号。

也许你应该把它分开。使用一个正则表达式来提取 <form>..</form> 块。然后在其中搜索 <input> 标签。

- mario