PHP从字符串中获取所有URL

Question

所以我试图从一个字符串中获取所有url,其脚本如下所示:

$file = file_get_contents('something.txt');

function getUrls($string) {
    preg_match_all('~href=("|\')(.*?)\1~', $string, $out);
    print_r($out);
}

getUrls($file);

本文档中包含的网址可能不完善 - 即"/blah/blah.asp?2".问题是,当我运行这个脚本时,我得到一个看起来像这样的数组:

Array
(
    [0] => Array
        (
            [0] => href="#A"
            [1] => href="#B"
            [2] => href="#C"
        )

    [1] => Array
        (
            [0] => "
            [1] => "
            [2] => "
        )

    [2] => Array
        (
            [0] => #A
            [1] => #B
            [2] => #C

        )

)

知道这可能会发生什么吗？我不知道为什么它返回带有哈希符号的字母列表而不是所需的URL.我该如何回归网址呢？

Answer 1

邪恶的方式:

$file = file_get_contents('something.txt');    

function displayUrls($string) {
    $pattern = '~\bhref\s*+=\s*+["\']?+\K(?!#)[^\s"\'>]++~';
    preg_match_all($pattern, $string, $out);
    print_r($out[0]);
}

displayUrls($file);

好方法:

$doc = new DOMDocument();
@$doc->loadHTMLFile('something.txt');
$links = $doc->getElementsByTagName('a');
foreach($links as $link) {
    $href = $link->getAttribute('href');
    if ($href[0] != '#') $result[] = $href;
}
print_r($result);