Regulärer Ausdruck zum Finden von href-Attributen finden

[suit]

Tach,

ich benötige einen regulären Ausdruck (PCRE) der den Inhalt von href-Attributen in einem XHTML-Quelltext findet. Zum Einsatz kommt preg_match_all(). Genauer gesagt sollen sämtlichen Ressourcen (intern wie extern gefunden werden - also alle Attribute die einen URI beinhalten) - wenn ich jetzt nix vergessen habe, sollte ich das mit folgenden abgedeckt sein:

src, href, longdesc, cite, classid, codebase, data, action, background und profile

Der Ausdruck soll den Inhalt ohne ggf. vorhandene Leerzeichen am Anfang oder Ende liefern.

<img src="http://example.com/" alt="" /> sollte damit genauso abgedeckt sein wie

<img src  
       = " http://example.com/     " alt="" /> 
~~~ - sprich unschöne tipperein die man wohl eher selten im Quelltext so findet, aber durchaus gültig sind  
  
Aktuell hab' ich folgendes (Attribute sind vorerst drei drin) und es scheint zu funktionieren:  
/(?:href|src|londesc)\s\*=\s\*"\s\*?(.+)\s\*"/U  
  
Den i-Modifikator hab' ich gespart weil die Attribute ohnehin gleich geschrieben sein müssen.  
  
Frage nun: hab' ich irgendetwas übersehen oder gibt's Verbesserungsvorschläge?  
  

[Beat]

Aktuell hab' ich folgendes (Attribute sind vorerst drei drin) und es scheint zu funktionieren:
/(?:href|src|londesc)\s*=\s*"\s*?(.+)\s*"/U

/\b(?:href|src|londesc)\s*=\s*"\s*(.*?)\s*"/
      hier sollst du gierig sein ^  ^ hier sparsam

Eine leerer value ist auch ein url!

Frage nun: hab' ich irgendetwas übersehen oder gibt's Verbesserungsvorschläge?

Ja streng genommen wird hier nicht in xhtml Tags gesucht, sondern irgendwo im Text.
Die Frage was innerhalb [CDATA[ ]]  geschehen soll, ist nicht geklärt.

Mache dich schlau zum Thema XHTML Parser in php.

mfg Beat

[suit]

Eine leerer value ist auch ein url!

Ja, der soll aber dann so bleiben wie er ist - da wäre ohnehin keine Änderung notwenig.

Ja streng genommen wird hier nicht in xhtml Tags gesucht, sondern irgendwo im Text.

Ansich hast du recht

Die Frage was innerhalb [CDATA[ ]]  geschehen soll, ist nicht geklärt.

Daran hab ich garnicht gedacht - siehst du. Das soll unberührt bleiben.

Mache dich schlau zum Thema XHTML Parser in php.

Einen XML-Parser meinst du wohl - den wollte ich dafür nicht anwerfen, ist aber sicher die schlauere Idee. Es geht um das Reparsing einer durch ein CMS generierten Seite - das CMS ist leider nicht so der renner, aber der Code muss ordentlich sein - ich wollte mich da eigentlich mit einem eleganten 1-Zeiler reinhängen ;)

[suit]

Nachtrag: Anforderung hat sich erweitert - ich möchte nun NUR Einträge finden die nach den optionalen Whitespaces am Anfang des Attributs keinen bestimmten string zu beginn haben - sprich einige interne Links auf bestimmte Unterverzeichnisse ausschließen

Der Ausdruck sieht aktuell so aus:

/(action|background|cite|classid|codebase|data|href|longdesc|profile|src)\s*=\s*"\s*?(?!dir1|dir2)(.+)\s*"/U

Hier scheitere ich allerdings mit meinem Verständnis - bei der lookahead assertion stimmt etwas nicht

<a href="dir1/foobar" />
<a href=" dir2/foobar" />
<a href=" dir3/foobar" />
<a href="dir4/foobar" />

dir2, 3 und 4 werden gefunden obowhl eigentlich nur 3 und 4 gefunden werden sollen (weil ja dir1 und dir2 der beliebigen zeichenkette nicht vorangehen dürfen

[Gunnar Bittersmann]

@@suit:

nuqneH

ich benötige einen regulären Ausdruck (PCRE) der den Inhalt von href-Attributen in einem XHTML-Quelltext findet.

Zitat 1418

Wie wär’s denn, zur Verarbeitung von X(HT)ML was zu nutzen, was dafür gedacht ist? Bspw. XSLT.

Qapla'

[suit]

Zitat 1418

Kommt mir bekannt vor :p

Wie wär’s denn, zur Verarbeitung von X(HT)ML was zu nutzen, was dafür gedacht ist? Bspw. XSLT.

Ich nutze mittlerweile die DOM-Extension von PHP und nur einen sehr bemessenen regulären Ausdruck zum Entfernen von Trailing Slashes

/(?:/$|/?|/#)/U

Das ganze passiert nur noch in einem durch die DOM-Funktionen start eingeschränkten Teil und sollte dort ansich alles abdecken was in meinem Fall vorkommen kann:

example.com/foo/             -> example.com/foo
example.com/foo/?bar=baz     -> example.com/foo?bar=baz
example.com/foo/#bar         -> example.com/foo#bar
example.com/foo/?bar=baz#qux -> example.com/foo?bar=baz#qux