html - 如何从 HTML 链接中提取 HREF 值？

Question

我的文本文件包含两行:

<IMG SRC="/icons/folder.gif" ALT="[DIR]"> <A HREF="yahoo.com.jp/">yahoo.com.jp/</A>
</PRE><HR>

在我的 Perl 脚本中，我有:

my $String =~ /.*(HREF=")(.*)(">)/;
print "$2";

我的输出如下:

Output 1: yahoo.com.jp

Output 2: ><HR>

我想要实现的是让我的 Perl 脚本自动提取 <A Href=""> 中的字符串

由于我对正则表达式很陌生，我想问一下我的正则表达式是否格式错误？如果可以，有人可以提供一些建议让它看起来更好吗？

其次，我不知道为什么我的第二个输出是"><HR>" ，我认为预期的行为是 output2 将被跳过，因为它不包含 HREF="。显然我错了。

感谢您的帮助。

Answer 1

要回答有关正则表达式为何不起作用的具体问题，您使用的是 .*，它是“贪婪的”- 默认情况下会尽可能多地匹配。备选方案是使用非贪婪形式 .*?，或者对您要匹配的内容更加严格。例如，[^"]* 将匹配任何不是双引号的内容，这似乎正是您要查找的内容。

但是，是的，其他张贴者是正确的 - 使用正则表达式在 HTML 解析中做任何重要的事情都是灾难的根源。从技术上讲，您可以正确地做到这一点，尤其是在 Perl 5.10(具有更高级的正则表达式功能)中，但通常不值得为此头疼。