正则表达式过滤链接

Question

我使用这个正则表达式过滤从网页.pdffiles：

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

它的工作，如果该链接是这样的：

www.xyz.com/trgrrtr/ghtty.pdf 

但如果链接是这样的，它是无法过滤：

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

什么正则表达式我应该用来过滤掉这个l从网页上的墨水？

Answer 1

首先，您需要跳过?，否则它只是使其前面的f可选。然后你可以这样做：

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

使用否定字符类可确保您不能离开属性。 （.*可能会消耗属性结束"为好，并继续，直到"另一双引号进一步向下匹配字符串）。

但我真的建议你使用DOM解析器先找到链接元素。 PHP有一个built-in one，并有一个非常好的和方便的3rd-party alternative。

Answer 2

博客文章An Improved Liberal, Accurate Regex Pattern for Matching URLs可能会有所帮助。